Les transports urbains face à la puissance des données : quels défis pour la gouvernance des mobilités ?

7/17/2019 Les transports urbains face à la puissance des données : quels défis pour la gouvernance des mobilités ?

http://slidepdf.com/reader/full/les-transports-urbains-face-a-la-puissance-des-donnees-quels-defis-pour 1/91

Master AltervillesSciences Po Lyon – Université Jean Monnet

Etienne PICHOT DAMON

2015

Sous la direction de Christelle Morel-Journel et d’Emilie Lanciano

LES TRANSPORTS URBAINS FACE A LAPUISSANCE DES DONNEES : QUELS DEFISPOUR LA GOUVERNANCE DES MOBILITES



Université de Lyon

Master Altervilles

Sciences Po Lyon – Université Jean Monnet

Etienne PICHOT DAMON

2015

Sous la direction de Christelle Morel-Journel et d’Emilie Lanciano

LES TRANSPORTS URBAINS FACE A LA

PUISSANCE DES DONNEES : QUELS DEFISPOUR LA GOUVERNANCE DES MOBILITES





Les hommes sont comme les animaux :les gros mangent les petits et les petits les piquent

VOLTAIRE



Remerciements

Je remercie tout d’abord Christelle Morel-Journel, directrice et co-fondatrice du Master Altervilles pour

son accompagnement et ses conseils dans la structuration de ma réflexion lors de ce mémoire.

J’aimerais aussi adresser mes remerciements à l’équipe de la Fabrique Digitale (SNCF), Catherine

Delisle, Régine Combremont, et Antoine Bouffard pour avoir suscité ma curiosité pour l’univers fascinant

des données et de l’innovation digitale lors de mon stage de fin d’études.

Enfin, je souhaite remercier Cynthia Gutton (Direction Marketing et Services de Transilien) et Gaël

Musquet, président d’Open Street Map France, avec qui j’ai pu travailler sur le projet de cartographie des

gares d’Ile de France, et qui m’ont apporté une très bonne connaissance de l’open data et de la

cartographie collaborative.



Sommaire

"#$%&'()$"&# ************************************************************************************************************************************* +

+* ,- ./0012 3 0/452662 715/6489/0 :/47 62; 87-0;:/78; 47<-90; 28 6247; -=8247; ****** +>

"#"# $%& %'()&**& +'(,-& .& /,'012 &2 .3456*1',421'% /'(, *&+ &%2,&/,1+&+ .& *4 5'71*126

(,741%& ################################################################################################################################################################## ""

"#8# 9&+ -':2+ .31%)&+21++&5&%2+ 5'21)6+ /4, (%& *';1<(& /,1)6& ############################################## 88

?* ,2; ;87-81@92; .2 6A-=89/0 :4<69B42 3 6A/:20 .-8- =/CC2 /<69@-89/0 .2 ;2759=2 :4<69=

/4 625927 .A900/5-89/0 D ******************************************************************************************************************* E+

8#"# $% 7&+'1% .& /4,24;&, &2 .6-&%2,4*1+&, *4 /,'.(-21'% .& *4 .'%%6& ################################## =8

8#8# $% %'()&* 15/6,4210 .& 2,4%+/4,&%-& &2 .34-->+ ? *31%0',5421'% ######################################### =@

E* ,2 7F62 .2; -=8247; :4<69=; .2; 87-0;:/78; 47<-90; 20 87/9; ;=10-79/; ********************** G+

=#"# A4 ,6;(*421'% /(7*1<(& .& *4 5'71*126 (,741%& ############################################################################ B8

=#8# A&+ 2,4%+/',2+ (,741%+ ? *3C&(,& .& *4 5(*212(.& D *&+ +24,2(/+ E .621&%%&%2 F *&+

5'71*126+ (,741%&+ ############################################################################################################################################ G8

=#=# A&+ 2,4%+/',2+ (,741%+ .'51%6+ /4, *&+ ;64%2+ .31%2&,%&2##################################################### GH

)/0=64;9/0 ******************************************************************************************************************************************* HI

I17*1';,4/C1& ########################################################################################################################################################### J"

A&K1<(& &2 47,6)1421'%+ ####################################################################################################################################### JG

L47*& .&+ 5421>,&+ ################################################################################################################################################ JM

L47*& .&+ 1**(+2,421'%+ ######################################################################################################################################### MN

O%%&K&+ ###################################################################################################################################################################### M"



"

INTRODUCTION

L’ensemble des données numériques créées jusqu’à aujourd’hui représente environ 7 zettaoctets, soit

1021 octets ou 7 000 milliards de Go. Les prédictions annoncent que les données pèseront 40 zettaoctets

en 2020. L’exploitation des données devrait s’estimer à 8% du PIB européen en 20201. C’est précisément

l’utilisation, la représentation et l’analyse de ces données que nous appelons Big Data, et les enjeux sont

de taille : entre valorisation économique des données personnelles, espionnage, réutilisation des

données des clients, et création de nouveaux services, les limites sont encore à définir.

Tous les secteurs sont concernés par l’exploitation des Big Data : l’automobile, les énergies, la grande

distribution, l’agro-alimentaire, la logistique et les transports.

Une série de révolutions numériques

Le traitement automatique de l’information, soit l’informatique, est né avant la seconde guerre mondiale.

Ce qui caractérise l’informatique à ses débuts et qui la rend peu à peu indispensable à l’industrie est

principalement sa capacité à traiter des algorithmes de plus en plus complexes.

Dans les années 1960, un grand nombre de programmes informatiques voient le jour 2, mais ce n’est

qu’une décennie plus tard que l’informatique entre dans le domaine des télécommunications, avec un

ensemble de technologies qui donneront naissance plus tard à l’internet.

D’abord réservé à un usage militaire, puis professionnel et industriel, l’internet connaît un véritable

décollage en 2004, avec l’arrivée des offres haut débit. 3

"

OP9QAR 8N"B

8 PAOSTAQL U# UOVWXTL Q# !"#$%&'($ *"#"+ ,-./01&23$ 4 W%2&,+21-&+R 8NNB = Y$QL S#Z [ L\YQ]^ Y# Q2 +1 *&+ 26*6-'5+ %3&K1+241&%2 /4+R U&4,+'% Q.(-421'% P,4%-&R U4,1+R 8NNHR /# 8H

8 PAOSTAQL U# UOVWXTL Q# !"#$%&'($ *"#"+ ,-./01&23$ 4 W%2&,+21-&+R 8NNB = Y$QL S#Z [ L\YQ]^ Y# Q2 +1 *&+ 26*6-'5+ %3&K1+241&%2 /4+R U&4,+'% Q.(-421'% P,4%-&R U4,1+R 8NNHR /# 8H



8

Figure 1 Croissance des données et historique des évolutions majeures d’internet (Cisco, 2011)

La donnée au cœur des innovations

Si l’informatique, par les programmes et le traitement des algorithmes est à la base de toutes les

inventions suivantes, le moteur actuel des innovations est bien la donnée. En effet, la diffusion massive

des objets connectés (En France, 2 milliards d’objets connectés devraient être vendus entre 2015 et

2020. 4), leur appropriation et la capacité à la fois individuelle et celle des organisations à se les

approprier donne aujourd’hui lieu à une augmentation quasi-exponentielle du volume de données

produites. Il faut aussi considérer la rapide croissance du trafic internet, qui devrait tripler entre 2015 et

2019, 5 et la hausse continue du taux d’équipement en smartphones (En 2013, Ericsson estimait qu’il y

avait déjà 2 milliards d’abonnements smartphones, et qu’il y en aurait 5,6 milliards en 2019). 6 De plus, il

faut prendre en compte les transformations sociales induites en termes d’échanges, de mobilisations, de

partage d’informations, qui donnent à internet ce caractère d’ « ubiquité », et cet « effet miroir » : le fait de

twitter , partager sur les réseaux sociaux le contenu de conférences et évènements par exemple.

Mais après avoir procédé à ce constat relativement factuel, il s’agira de savoir pour quelle raison nous

avons choisi d’analyser la puissance des données informatiques à travers le prisme des transports

urbains. Lors de l’International Transports Forum de 2015, il fut avéré : « The volume and speeds at

B

YOVZO]L T# 567$&% (/++$(&8%9 "+ 3,0(28 : ;<== 31--1,0>% >$ >/--,0% $+ ?=?= 49 P,&%-C_&7R 8N"G

G YOVZO]L T# @/"0*"/1 -$ &0,A1( B+&$0+$& C, &01D-$0 >#1(1 E ,+%R \1+-'R P,&%-C_&7R 8N"G @ W%2&,%421'%4* 2,4%+/',2 0',(5R \',/',42& /4,2%&,+C1/ 7'4,. ,&/',2R 8N"GR /# BJ



=

which data today is generated, processed and stored is unprecedented. It will fundamentally alter the

transport sector » 7

Notre travail aura en partie pour but de démontrer pourquoi, justement, la donnée impactera et (impacte

déjà) les mobilités urbaines et ses acteurs (privés, publics, usagers).

Une réponse partielle et provisoire que nous pouvons fournir pour bien cerner les enjeux au préalableconsiste à dire que l’augmentation en nombre et en proportion de la production et du traitement des

données géolocalisées en temps réel ne peut qu’être utile aux acteurs qui analysent et conçoivent les

mobilités urbaines.

Pour le démontrer, nous expliquerons que les entreprises sont inévitablement prêtes à investir dans les

technologies relatives aux données de masse. On sait aussi que 32% des applications mobiles les plus

populaires demandent l’accès aux données géolocalisées de l’utilisateur, et que 74% des utilisateurs de

téléphones mobiles utilisent des services de géolocalisation. 8

Le Big Data : une notion à clarifier

La donnée est bien au centre d’une nouvelle révolution numérique, et ce sera l’objet de notre première

grande partie, à travers l’application qui en est faite à tous les niveaux de la gestion des transports

urbains. Cependant, il faudra aussi prendre du recul sur les espérances, les mythes, les « fantasmes »

générés par la presque obsession de certains acteurs économiques envers le Big Data. Non seulement

le Big Data n’est pas exactement le thème véritable de notre travail, mais surtout, il donne lieu à toutes

sortes d’estimations, d’approximations et de confusions dans ce qu’il peut apporter à l’industrie en

général.

D’autre part, il faut concevoir qu’il désigne plusieurs phénomènes à la fois. Matthew ASLETT l’explique

ainsi : « The first key to understanding big data is to accept that it is not a class or type of data. There is

no such thing as data that is big. Big data is a trend that describes multiple new approaches to storing,

processing and analyzing data, and the technology used to do so. As such it is clear that the nature of the

data does not define big data, and is not the cause of the big data trend, despite the industry's obsession

with defining it in terms of multiple Vs – volume, velocity and variety. »9

J W%2&,%421'%4* 2,4%+/',2 0',(5R \',/',42& /4,2%&,+C1/ 7'4,. ,&/',2R 8N"GR /# BJ M W%2&,%421'%4* 2,4%+/',2 0',(5R \',/',42& /4,2%&,+C1/ 7'4,. ,&/',2R 8N"GR /# BJ B+ ?=;E9 &2$ F-/6,- @01C,(G

H I+A/0($3$+& J$&K/0L9 , .0/"D /A MN +,&1/+,- ,+> 1+&$0+,&1/+,- D01C,(G $+A/0($3$+& ,"&2/01&1$%9 (/+>"(&$> , 0$C1$K /A

D/D"-,0 3/61-$ ,DD% 1+ &2$10 0$%D$(&1C$ (/"+&01$% ,+> 0$.1/+%O B& A/"+> &2,& M?P /A &2$ ; ?;; ,DD% 1+C$%&1.,&$> %/".2& ,(($%%

&/ &2$ >$C1($%# -/(,&1/+ >,&,O Q5@RR9 ?=;ES T/0$/C$09 ,((/0>1+. &/ /+$ %"0C$G 1+ &2$ U+1&$> V&,&$%9 2,-A /A ,-- 3/61-$ D2/+$"%$0% ,+> <EP /A %3,0&D2/+$ "%$0% "%$ -/(,&1/+'6,%$> %$0C1($%O QW1(L2"09 ?=;?S »

H OÀQLLR Z# VD/&-1.2&X Y1. >,&, 0$(/+%1>$0$>X 1&Z% &2$ $(/+/31(%9 %&"D1> R 8N"=



B

Et pour « démystifier » le tout, l’historien George Dyson définit le Big Data comme « ce qu’il s’est passé

quand le coût de conserver les informations est devenu plus faible que de s’en débarrasser. » 10

Il faudra également garder à l’esprit que les grands ensembles de données peuvent se révéler inutiles car

parfois ils n’ont tout simplement aucune cohérence. Il est possible de l’illustrer par la métaphore dumilliards de singes : si un milliard de singes écrivent des mots dans un ordre aléatoire, ils parviendront un

jour ou l’autre à retranscrire ensemble intégralement une pièce de Shakespeare.11

Pour nous, le Big Data sera également considéré comme un des aspects bien spécifiques de l’économie

de la donnée, car non seulement il représente un ensemble de données moins grand que les médias

peuvent le prétendre, et l’application des « 3 V » sensée le définir (Volume, Vitesse, Variété) est

applicable à quelques activités spécialisées dans le stockage et traitement des données. Quelques

entreprises sont donc concernées par ces activités exclusives, il s’agit notamment de Apache ou

Hadoop.12

L’économie de la donnée, telle que nous l’aborderons à travers les activités des grandsgroupes tels que Google, des collectivités territoriales et des startups de la mobilité, couvre un champ

bien plus vaste, plus ouvert par exemple aux notions de service public, de protection de la vie privée, de

sécurité et d’innovation.

Les transports urbains : terrain d’expérimentation et d’innovation pour l’économie de la donnée

Rappelons rapidement les enjeux actuels des transports urbains : il s’agit de déplacer les populations en

masse, le plus rapidement possible, face à un maximum de contraintes, et à moindre frais pour la

collectivité ou l’entreprise et l’usager. D’abord réservées à une application réservée à la sécurité, les TIC

au service des transports se sont ensuite tournées vers les usagers : systèmes d’information pour les

voyageurs, puis applications smartphones, et actuellement réalité augmentée.

"N OÀQLLR Z# VD/&-1.2&X Y1. >,&, 0$(/+%1>$0$>X 1&Z% &2$ $(/+/31(%9 %&"D1> R 8N"=R \12421'% .& 9a`T] ^# D[Y1. >,&, 1% K2,&

2,DD$+$> K2$+ &2$ (/%& /A L$$D1+. 1+A/03,&1/+ 6$(,3$ -$%% &2,+ &2$ (/%& /A &20/K1+. 1& ,K,GO[ "" STV9O] Z# \4*10',%14 $%1)&,+12b "8 OÀQLLR Z# VD/&-1.2&X Y1. >,&, 0$(/+%1>$0$>X 1&Z% &2$ $(/+/31(%9 %&"D1> R 8N"=



G

Les TIC représentent un levier pour relever ces défis. En voici quelques uns :

Problématique Technologie Solution

Connaître les habitudes de

déplacements

Smartphones et applications

produisant des données

géolocalisées

Modéliser des flux

Adapter les transports à

chaque individu

Applications smartphones de

guidage

Proposer des solutions

adaptées pour tous les

itinéraires

Sécuriser les infrastructures

Drones, capteurs, caméras et

applications de remontée des

incidents

Connaître l’état exact en temps

réel des rails, des routes, des

accidents

Aussi, est il nécessaire de préciser que nous nous intéresserons ici au transport de personnes pour deux

raisons : le transport logistique ne s’étudie pas à la même échelle, celle d’une ville (bien que le fret urbain

soit un sujet à part entière), mais plutôt à l’échelle régionale, européenne, voire mondiale. La deuxième

raison qui nous pousse à parler du transport de personnes relève des disciplines étudiées. Même si le

sujet sera traité sous un angle économique et politique, nous insistons sur le fait qu’il s’agit aussi

d’étudier les usages et pas seulement la performance technique de la donnée.

Notre terrain d’étude se limitera aux villes centres et leur périphérie. Nous considèrerons les réseaux de

transports s’étendant dans les ensembles urbains. Aussi, les réseaux de transports urbains concernés

par nos propos, descriptions, et questionnements, seront des réseaux gérés par une autorité detransports en commun (régie publique ou privée). Puisque la donnée est au cœur de notre

problématique, notre champ d’analyse se limitera aux réseaux de transports qui sont déjà avancés sur la

question des systèmes d’information appliqués aux transports.

Les données de masse de plus en plus exploitées : une solution d’avenir ?

C’est certainement dans les transports urbains que l’usager des services publics peut se rendre compte

le plus facilement de l’omniprésence de la donnée dans les villes des pays développés. Lorsqu’il entre

dans un bus, le passager doit valider sa carte d’abonnement, même s’il l’a déjà payée, au risque de se

voir signifier une contravention pour non validation du titre de transport. Si la validation de la carte

d’abonnement de transport est obligatoire, l’usager le sait et l’a intériorisé, ce n’est pas pour respecter

une procédure « bureaucratique » ou « absurde », mais bien pour contribuer aux statistiques d’utilisation

du réseau, et donc à son amélioration.

Mais la réalité du système est plus complexe : les technologies automatiques d’enregistrement des

transactions appelées Automated Fare Collection (AFC, ou plus simplement la vente de billets) et le

comptage automatique des passagers ( Automated Passenger Counting - APC) ont été conçus pour



@

interagir et donner une analyse sophistiquée issue des données massives qu’elles ont collecté. Plus

concrètement, la vente de billets, et surtout la vente des cartes d’abonnements permettent la collecte

d’informations sur les usagers des transports, et leur utilisation renseigne les autorités organisatrices de

transports 13 (AOT) sur leurs habitudes de déplacement. Parallèlement à cela, le comptage des

mouvements est aujourd’hui géolocalisé et associé à une multitude d’autres mesures.14

C’est cela quel’on appelle Big Data, ou la capacité à analyser un immense volume de données non structurées, souvent

produites en temps réel et difficiles à analyser avec des solutions classiques de traitement. 15

L’AOT Transports For London (TfL) l’explique plus simplement : « Oyster prepaid travel cards were first

issued in 2003 and have since been expanded across the network. Passengers effectively “charge” them

by converting real money from their bank accounts into “Transport for London money” which are swiped

to gain access to buses and trains. This enables a huge amount of data to be collected about precise

journeys that are being taken. »16

"= A34,21-*& A"88"c" .( -'.& .&+ 2,4%+/',2+ /,6-1+& *& -4.,& d(,1.1<(& .&+ OTL D Ae1%+212(21'% &2 *e',;4%1+421'% .&+ +&,)1-&+

.& 2,4%+/',2 /(7*1- ,6;(*1&,+ &2 ? *4 .&54%.& +'%2 -'%016&+R .4%+ *&+ *1512&+ .& *&(,+ -'5/62&%-&+R ? *eQ242R 4(K

-'**&-21)126+ 2&,,12',14*&+ &2 ? *&(,+ ;,'(/&5&%2+ &% 24%2 <(e4(2',126+ ',;4%1+42,1-&+ fgh#"B Aa]9T] Y&%,bR \+,-G&1(% ,+> Y1. ],&, ^ _,1- @"6-1( ̀ 0,+%D/0&,&1/+ 1% , a$,>$0 fV41*_4b O;& Z4;4i1%&R $,74% V41*

L'.4bR O(+21%R LQjO`h "G YOZQA Z4,1&cU1&,,& [ ZOV^$QVWL 94)1.R \+,-G%$% >$% 61. >,&,9 *"$-% "%,.$%9 *"$-% >8A1% 4 \'551++4,142 ;6%6,4* ? *4

+2,426;1& &2 ? *4 /,'+/&-21)&R 96/4,2&5&%2 k(&+21'%+ `'-14*&+ .( ^'()&,%&5&%2 f]'2& .34%4*b+& ]lMR ""m8N"=h

16

ZOVV I# Y'_ I1; 9424 O%. LC& W%2&,%&2 T0 LC1%;+ W5/,')& U(7*1- L,4%+/',2 W% A'%.'%R P',7&+R 8N"G



J

Figure 2 Schéma simplifié de la production et du traitement des données par les AOT (Réalisation

personnelle)

La pertinence de l’utilisation des TIC17, des télécommunications, et de l’information par les acteurs destransports urbains n’est plus à démontrer, cependant le sujet se prête à de nombreux questionnements.

Juridiquement, la réutilisation des données fait débat, du fait que les données personnelles sont

collectées systématiquement autant par les services publics que par les groupes privés.

Existent aussi de vives critiques et un fort rejet de la part de la société civile envers les solutions comme

celles proposées par Google (ici nous parlons de Google Maps et Streetview, pour les applications de

guidage GPS et d’itinéraires), notamment en Allemagne, puisque la multinationale photographie

librement et gratuitement les espaces privés pour en revendre les données.

D’un point de vue socio-économique, la question qui se pose est de savoir comment évaluer le progrès

qui a pu être réalisé grâce à l’essor de l’analytique, du calcul et des métadonnées, et si les TIC18 ont

réellement pu satisfaire des besoins réels des usagers des transports en commun.

"J A3&5/*'1 .( 2&,5& LW\ fL&-C%'*';1&+ .& *31%0',5421'% &2 .& *4 -'55(%1-421'%h +&,4 /,1)1*6;16 ? -&*(1 .& ]LW\

f]'()&**&+ 2&-C%'*';1&+ .& *31%0',5421'% &2 .& *4 -'55(%1-421'%h D %'(+ /,&%'%+ 1-1 /'(, 4-<(1+ <(& -&+ 2&-C%'*';1&+R

5n5& +1 2,>+ ,6-&%2&+ %& +'%2 /*(+ &K4-2&5&%2 E %'()&**&+ FR /(1+<(& %'(+ &% 5&+(,'%+ .6d? *4,;&5&%2 *&+ -'%+6<(&%-&++(, %'+ +'-1626+ &2 %'+ (+4;&+#



M

Ou encore, une analyse purement économique nous permettrait-elle, par exemple, de quantifier l’apport

financier de la valorisation des données pour les entreprises de transports urbains ? L’approche

économique serait peut-être un moyen de qualifier, mettre un nom sur l’innovation que représente la

montée en puissance de la donnée dans les systèmes de production.19

Mais la question que l’on souhaite poser ici est avant tout politique. L’économie de la donnée, nous le

démontrerons, a un véritable impact sur l’évolution de la production (technique et « urbanistique ») des

transports urbains. Les bouleversements qui en sont issus directement et indirectement (modèles de

prévisions plus performants, nouveaux acteurs de la mobilité, changement des usages, etc!) vont

probablement interroger la façon dont les pouvoirs publics organisent et gèrent nos déplacements. On

pourra aussi se demander si les pouvoirs publics sont en capacité de « tout » organiser de « nos »

déplacements.

Non seulement, les politiques devront s’adapter à ces évolutions rapides pour pouvoir « garder la main »

sur l’organisation des mobilités, mais surtout, les autorités organisatrices de transports risquent de voir

leur légitimité affaiblie par des acteurs (publics, privés et usagers) qui pourront, plus facilement que

jamais, se passer de leurs compétences dans un futur proche.

Notre questionnement peut ainsi se résumer : quels défis devront relever les acteurs publics des

transports urbains pour continuer à organiser les mobilités dans un futur où l’économie de la

donnée risque d’être détenue exclusivement par des groupes privés ?

Pour y répondre, il s’agira de questionner un ensemble de disciplines, à la fois économiques (économie

des données, économie des transports), techniques (fonctionnement et structuration des données

informatiques), juridiques (droits des données personnelles, droit public) et politiques (jeu d’acteurs des

transports urbains, politiques urbaines, politiques numériques).

Nous baserons notre réflexion sur trois sources.

Premièrement, un ensemble d’ouvrages portant sur les disciplines en question : à la fois des ouvrages

récents qui nous aiderons à préciser les enjeux du Big Data, mais également des ouvrages plus anciens

qui pourront étoffer de façon générale l’analyse des problématiques économiques de mobilité urbaine.

Deuxièmement, nous pourrons observer comment font concrètement les acteurs des transports urbains

pour profiter ou s’adapter à la montée en puissance de l’économie de la donnée. A travers des exemples

français et étrangers, nous tenterons de comprendre vers quel(s) modèle(s) d’organisation des mobilités

l’ensemble des acteurs se dirige, à travers trois scénarios. Il sera aussi question d’observer le

fonctionnement des systèmes d’informations à travers les modèles de prévision existants.

"H ]'(+ 6)'<('%+ 1-1 *31%26,n2 .3(%& 62(.& <(1 5&22,412 &% *1&% *&+ 2C6',1&+ .&+ -b-*&+ 6-'%'51<(&+ .&+ jWj>5& jj>5& +1>-*&+R 4)&- *&+ 1%%')421'%+ .& ,(/2(,&+ 1%1216&+ /4, *4 %'()&**& 6-'%'51& 1++(& .& *4 .'%%6& &2 .&+ LW\ .4%+ *& 5'%.& .&+

2,4%+/',2+# f\1,-(12+ .& `\Y$ZUQLQVR oQa]Q`R ZOVjh



H

Et troisièmement, une démarche prospective (ciblage des usages futurs, croisement des projets en cours

et des enjeux analysés en amont) nous permettra de mobiliser une réflexion sur la place des pouvoirs

publics dans l’organisation des déplacements de demain.

Une première grande partie aura pour objectif de montrer à quel point le secteur des transports urbainsest impacté par l’émergence de la donnée comme élément central. Nous chercherons à comprendre les

effets économiques et financiers, technologiques et politiques de cette émergence sur les acteurs privés

du secteur ainsi que les problématiques juridiques et sociales que pose la réutilisation des données

personnelles par les groupes privés.

La partie suivante nous conduira davantage sur le terrain des acteurs publics, en interprétant et illustrant

la façon dont les collectivités territoriales et les autorités organisatrices de transport se saisissent de la

question. Nous nous intéresserons ici aux politiques d’ouverture des données (l’open data), ainsi qu’à

pourquoi et comment elles sont mises en œuvre.

Notre troisième et dernière partie aura un double objectif : d’une part exposer les modèles probables

d’organisation des mobilités urbaines dans un futur proche, suite à l’évolution de l’économie des

données, et d’autre part, chercher à concevoir quelle sera la place des autorités publiques d’organisation

des transports dans ces différents jeux d’acteurs. Nous tenterons alors, après avoir compris les enjeux de

la propriété des données grâce aux parties précédentes, de qualifier les défis que devront relever les

politiques et plus généralement les acteurs publics pour qu’ils continuent à organiser les mobilités

urbaines.



"N

1. La donnée : nouvelle révolution pour lestransports urbains et leurs acteurs



""

1.1. Une nouvelle source de profit et d’amélioration pour les

entreprises de la mobilité urbaine1.1.1. Google Maps : première entreprise de mobilité ?

1.1.1.1. Valoriser l’information : modèle économique de Google

Google : entreprise de transports

S’il existe une référence commune au monde entier en matière de cartographie, c’est bien Google Maps.

Pour beaucoup d’urbains (54% des détenteurs de smartphones en 2013),20 l’outil est devenu quasi-

quotidien : pour anticiper ses déplacements, repérer une destination, l’utiliser en tant que GPS, etc!

Google Maps a révolutionné le monde de la cartographie et des transports, en proposant successivement

cinq innovations majeures :

c Février 2007 : Google Traffic est intégré à Google Maps.

c Octobre 2007 : Google Transit permet de planifier des itinéraires en transports en commun.c Mars 2009 : Streetview permet aux internautes de visualiser des images panoramiques d’un très

grand nombre de rues et routes.

c Septembre 2011 : acquisition d’ITA software et intégration de Google Flights, pour prévoir ses

vols.

c Juin 2015 : L’affichage en temps réel du trafic dans les transports en commun, pour 125 régies

de transports en commun.

Ces innovations successives dans ce domaine ont fait de Google un véritable acteur de la mobilité, en

permettant aux piétons et automobilistes de planifier leurs déplacements et d’être guidés, et désormaisen proposant de prévoir leurs itinéraires en transports publics et en avion.

L’API Google Maps

Simultanément, Google Maps s’est judicieusement adapté à une clientèle professionnelle et

d’entreprises, avec l’API qu’elle propose. Une API (Application Programming Interface, ou interface de

programmation), est un ensemble de données informatiques, telle une « brique de programme », qui

8N `2421+24R ^*'74*p&7W%.&KR 8N"=



"8

permet à un logiciel de servir d’autres logiciels. Google Maps a son API, tout comme OpenStreetMap

disposera de la sienne. L’API de Google Maps permet à l’entreprise de réaliser des recettes sur son

service de cartographie. Les startups et tous les particuliers qui ambitionnent de fournir un service

d’information plus complexe en se servant du fond de carte et des données de Google Maps devront

payer un abonnement qui leur donnera l’accès à ces données.

Des recettes commerciales diversifiées

Ce ciblage commercial des professionnels et des entreprises grâce à l’API Google Maps s’est opéré

parallèlement à la mise sur le marché des solutions Google Analytics, Adwords, Drive, Docs, Forms,

Shopping, en faisant de Google un éditeur de logiciels en ligne incontournable.

Mais ce que l’on peut penser comme une « face cachée » des services de Google, et donc de Google

Maps n’est pas seulement son aptitude à avoir adapté ses logiciels « grand public » à sa clientèle

professionnelle, mais plutôt sa commercialisation des données privées. En réalité, cette zone d’ombre sur

le succès financier de Google est bien connue. Les politiques de confidentialités des groupes comme

Facebook, Apple et Google commencent à intéresser l’ensemble de leurs utilisateurs, mais surtout, les

professionnels des TIC ont compris très en amont l’intérêt de la détention des données à une échèle

aussi grande.

De l’intérêt bienveillant des professionnels et des informaticiens passionnés, à la méfiance accrue des

internautes et des associations de consommateurs, l’essor de Google n’est pas perçu de la même

manière par tous. Streetview, (l’outil de visualisation en ligne des photographies panoramiques des rues),

a par exemple donné lieu à de vives controverses.

1.1.1.2. Prévoir et inventer la mobilité de demain

Olivier KLEIN, chargé de recherche au Centre d’Etudes de Populations, de Pauvreté et de Politiques

Socio-Economiques (Luxembourg), explique dans un article de février 2014 que les solutions

technologiques de production des données dans les transports urbains ne sont pas encore exploitées :

« Ces représentations du temps et des mouvements impliquent nécessairement les dernières solutions

technologiques de production. Celles-ci sont encore actuellement du domaine de la recherche et peu

présentes dans les solutions logicielles commercialisées du fait de la complexité de la généralisation de

telles solutions. »21 Cette affirmation est proche de la réalité lorsque l’on évoque les difficultés des

acteurs publics à « mettre la main » sur les masses de données, mais l’auteur ne le précisant pas, il omet

un élément pourtant au cœur de son actualité : la collecte des données par les acteurs privés, et surtout

8" oAQW] T# `$3D/0,-1&8% U06,1+$% $& @0/7$& R A&+ -4C1&,+ .( .6)&*'//&5&%2 (,741% .(,47*&R ]l"@R T7+&,)42'1,&

(%1)&,+1241,& .& *4 )1**& &2 .( .6)&*'//&5&%2 .(,47*&R 06),1&, 8N"@R /# "BB



"=

le smartphone. 22 Car en effet, s’il existe un outil, une solution logicielle pour produire et faire remonter les

données temporelles et spatiales des individus, il s’agit assurément de la nouvelle génération de

téléphones mobiles. Google, via Androïd23, Waze24 et Chrome25, font remonter à eux les données de

leurs clients grâce aux smartphones.

Modéliser le trafic avec Waze

Il est relativement aisé de comprendre pourquoi Waze permet de peindre un « tableau » très précis des

mobilités : lors de l’International Transport Forum, il a été indiqué que Waze avait permit de modéliser

des accidents et évènements grâce à 50 millions d’utilisateurs. 26 Un tiers de ces utilisateurs font

remonter des informations en temps réel : « A third of Waze users share “information about slowdowns,

speed traps and road closures, allowing Waze to update suggested routes in real time [and its] most

dedicated fans can also edit the maps directly to improve their accuracy,” »27 De plus, l’application

s’améliore de façon autonome : en faisant la moyenne des traces GPS empruntées par les utilisateurs,

Waze peut par exemple corriger automatiquement le tracé des routes dans le logiciel s’il s’avère inexact.

Et justement, Di-Ann Esnor, le Vice-Président de Waze exprime la valeur ajoutée de son produit : « Ce

n’est pas simplement du Crowd-Sourcing, c’est de la participation personnelle. »28

Google ne dispose pas uniquement de Waze, mais d’un ensemble de technologies pour collecter les

données des utilisateurs de nouveaux services, par exemple : « With products like Google Latitude, you

can tell us where you are and then you can tell your friends where you are. Well, we can, using [artificial

intelligence], then predict where you’re going to go. »29

Et c’est ici que nous pouvons citer Alain DESROSIERES : « La production statistique résulte de rapports

de force. Elle est idéologique, policière. »30 Si prédire et modéliser les mobilités marque un net progrès

dans la compréhension des déplacements, il n’est pas moins inquiétant d’accorder tant de puissance à

des groupes privés qui s’emparent de nos données. Ce sera l’objet d’une partie suivante. (Cf Partie

1.2.2.)

88

A3(+4;& .( 2&,5& +54,2/C'%& &+2 /,606,6 ? -&*(1 .3',.1/C'%&R -4, .4)4%24;& 4%-,6 .4%+ *&+ (+4;&+# A& +54,2/C'%& &+2(% E L6*6/C'%& 1%2&**1;&%2 FR (% 26*6/C'%& 5'71*& .'26 .3(% /*(+ ;,4%. 6-,4% &2 /&,5&224%2 (% (+4;& <(1 +& ,4//,'-C& .&

-&*(1 .&+ ',.1%42&(,+ /',247*&+#8= J0.7/9. &+2 (% +b+2>5& .3&K/*'12421'% .6)&*'//6 /4, ^'';*&R /'(, *&+ +54,2/C'%&+ &2 247*&22&+R &2 '7d&2+ -'%%&-26+#

O%.,'1. .621&%2 &%)1,'% MNq .&+ /4,2+ .& 54,-C6 5'%.14* .&+ +b+2>5&+ .3&K/*'12421'%+#8B K-L2 &+2 (%& 4//*1-421'% ,4-C&26& /4, ^'';*& &% d(1% 8N"= f/'(, H@@ 51**1'%+ .& .'**4,+h# \&22& 4//*1-421'% &+2 0'(,%12

(% Û`R &2 +34//(1& +(, *& ,6+&4( .&+ -'%.(-2&(,+ <(1 *3(21*1+&%2 &% 2&5/+ ,6&*#8G M//@62 )N7/C2 &+2 (% %4)1;42&(, 1%2&,%&2R 2&* <(3W%2&,%&2 QK/*',&,R `404,1R &2 Z'i1**4 P1,&0'K 4//4,2&%4%2 ? ^'';*&#

^'';*& .621&%2 .'%- /,>+ .& B"q .( 54,-C6 5'%.14* .&+ %4)1;42&(,+ 1%2&,%&2#8@ W%2&,%421'%4* 2,4%+/',2 0',(5R \',/',42& /4,2%&,+C1/ 7'4,. ,&/',2R 8N"G f/# 8Mh 8J ^TQA r# T,D% ̀ 2,& a1C$ \+> Y0$,&2$ b1&2 ],&,9 J$K c/0L ̀ 13$%R 8N"=R f-126 /4,h \TYO] U# d/"0 _$,%/+% F//.-$ Y/".2&

b,e$R P',7&+R 8N"= 8M

^TQA r# T,D% ̀ 2,& a1C$ \+> Y0$,&2$ b1&2 ],&,9 J$K c/0L ̀ 13$%R 8N"=

8H `\YZW9L Q# L&-C'%'5b \'%0&,&%-&R 8N"N =N 9Q`VT`WQVQ` O# a, D/-1&1*"$ >$% .0,+>% +/360$%O f1%&/10$ >$ -, 0,1%/+ %&,&1%&1*"$R A4 96-'()&,2&R U4,1+R 8NNNR /# B"8



"B

Collecter l’historique des localisations avec Chrome

L’autre outil dont dispose Google pour modéliser et prévoir les mobilités urbaines consiste en lacombinaison Google Chrome et Google Maps. Il est désormais possible de consulter son historique de

localisation sur internet lorsque l’on a

activé la géolocalisation sur son

smartphone. Il est assuré que cet

historique est confidentiel, cependant,

après anonymisation (une obligation

légale pour préserver la sécurité des

données personnelles), Google accède

à l’ensemble des données sur les

déplacements de ses utilisateurs.

Figure 3 Historique des déplacements d'un habitant de Melbourne (Andrew Tufts, 2015)

Inventer des solutions de mobilité : la Google Car

L’objet n’est pas nouveau, et la technologie date de 2010 : la Google Car a déjà réalisé des essais sur le

terrain et est prête à la commercialisation depuis 2015. L’entreprise est désormais très éloignée de son

moteur de recherche initial, de son modèle économique de base, du moins en apparence. S’engager sur

le terrain des mobilités urbaines, nous le verrons en troisième partie, c’est aussi profiter de l’essor des

TIC quand on est un grand groupe, ou plutôt le leader de l’économie des données (voir annexe 5 pour

mieux saisir le fonctionnement de la Google Car).

Nous observerons, toujours dans la troisième partie, lorsqu’il sera question de s’intéresser au rôle des

géants du web dans les mobilités urbaines, que la Google Car interroge clairement l’avenir des

transports. Plus concrètement, cette technologie de guidage et de conduite intégralement automatiquerisque de remettre fortement en question la place du conducteur dans son véhicule (voiture personnelle,

taxi), et même celle des conducteurs de bus et de tramways (les métros automatiques ne sont plus des

nouveautés depuis plusieurs décennies).



"G

Google : futur premier concurrent de RATP et SNCF Transilien ?

Grâce aux données, nous avons montré que le géant d’internet Google, devenu « Alphabet » en 2015,

prend une place grandissante dans le secteur des mobilités urbaines. Il est capable non seulement de

fournir une connaissance extrêmement précise des flux de mobilité, mais aussi d’imaginer lui-même sespropres solutions pour les transports de demain. C’est ce constat qui met à l’épreuve la place des acteurs

« traditionnels » des transports urbains, au cœur de notre réflexion : comment RATP et SNCF Transilien,

par exemple, considère t-il Google d’un point de vue concurrentiel ? Cette question qui ne se posait pas

lorsque l’entreprise n’était qu’un simple moteur de recherche est aujourd’hui centrale. Comment garder la

main sur ses données et sur l’organisation des mobilités ?

En réalité, Google n’est pas le seul à concurrencer les opérateurs « traditionnels », et il ne concurrence

pas directement RATP et SNCF Transilien, car l’entreprise ne vend pas pour l’instant ses solutions de

mobilité, mais des données, voire d’une certaine manière, des titres de transports. Google concurrencera

SNCF sur la vente des billets, et donc la filiale Voyages-SNCF.com (VSC), véritable source de profit pour

la compagnie ferroviaire. Mais comme nous l’avons exprimé, il n’est pas le seul concurrent dans la vente

des données et des billets : l’entreprise Capitaine Train a déjà sérieusement déstabilisé l’opérateur

historique lorsque l’autorité de la concurrence a forcé SNCF à permettre l’accès à ses systèmes de vente

en 2009. Voyages-SNCF.com n’était plus le seul opérateur à pouvoir vendre des billets de train en

France, et Capitaine Train vendait en 2013 1,8 millions de billets de train. 31

1.1.2. Stratégies des entreprises de mobilité pour profiter del’essor de la donnée

1.1.2.1. Beacons et modélisation des piétons : valoriser les flux

La technologie des beacons

Beacon est un terme anglais qui signifie « balise ». C’est une technologie qui s’utilise comme un

transmetteur utilisant peu d’énergie et présentant un coût de fonctionnement très faible. Il permet

d’échanger des données avec des smartphones à proximité grâce à la technologie de transmission

Wibree, autrement connue sous le nom de Bluetooth Low Energy (BLE).

=" VT]PO$L A# R,D1&,1+$ ̀ 0,1+9 -, %&,0&"D *"1 >8A1$ -, VJRd R A& P1;4,'R 8N"B



"@

Cet ensemble de technologies, une fois un beacon fixé et opérationnel dans un point de vente ou une

gare par exemple, permet notamment d’envoyer des messages aux smartphones proches (promotions,

publicités, participation à un concours, etc!), ainsi que de réaliser des statistiques de passage en traçant

les usages des possesseurs de smartphones. 32

Les beacons pour les transports en commun ?

Les statistiques générées par les cartes d’abonnements, comme nous l’avons abordé en introduction,

sont parfois insuffisantes, et il est impossible de tracer les trajets des usagers qui prennent le bus : ceux-

ci valident à l’entrée mais pas à la sortie, comme l’explique Bernard Marr, contributeur au World

Economic Forum : « For example on London Underground (Tube) journeys passengers are used to

“checking out and checking in” – tickets are validated (by automatic barriers) at the start and end of a

journey. However on buses, passengers simply check in. Traditionally tickets were purchased from the

bus driver or inspector for a set fee per journey. There is no mechanism for recording where a passenger

leaves the bus and ends their journey – and implementing one would have been impossible without

creating an inconvenience to the customer. »33

Les solutions telles que les beacons répondent clairement à ce besoin de « tracer » les voyageurs des

AOT et des entreprises de mobilité, car en effet, il n’est pas toujours possible de collecter des données

précises avec les infrastructures existantes (Cf. introduction, AFC / APC). Les balises, placées

directement dans les transports pourraient transmettre les informations sur les flux de voyageurs, ainsi

que leurs habitudes de transport en enregistrant les données de chaque possesseur de smartphone.

Ceci ne pourrait être instauré sans avoir préalablement posé un cadre juridique strict concernant la

réutilisation des données personnelles : nous aborderons cet enjeu ultérieurement.

Valoriser les espaces en gare

Il existe plusieurs projets pour exploiter l’opportunité qu’offre la technologie des beacons. Les entreprises

de mobilité ne proposent pas seulement des déplacements : elles vendent aussi tous les services servantau déplacement, de l’organisation du trajet au confort des infrastructures. Nous prenons ici l’exemple des

gares, avec la filiale de SNCF Gare et Connexions.

Gare et Connexion est la filiale, qui, au sein de SNCF assure la gestion et l’exploitation des espaces en

gare. Plusieurs projets existent en lien avec les beacons. Le premier aurait pour but de développer une

nouvelle technologie de guidage pour les personnes à mobilité réduite : grâce aux beacons, les données

cartographiques et la géolocalisation autoriseraient une plus grande précision qu’offrent les solutions

existantes. Le deuxième projet, plus lucratif, proposerait un nouveau service aux boutiques en gare. Dans

=8 POIQV]TrQAR Y1$+C$+"$ >,+% -$ 3/+>$ .8/'D$0%/++,-1%8 >$% Y$,(/+%R A& Z'%.&R 8N"B == ZOVV I# f/K Y1. ],&, \+> `2$ B+&$0+$& 5A `21+.% B3D0/C$ @"6-1( `0,+%D/0&% B+ a/+>/+ 4 P',7&+R 8N"G



"J

les faits, Gares et Connexions fournit des espaces en gare à des boutiques privées en l’échange d’une

redevance, et les beacons aideraient à analyser les flux piétons et le comportement des potentiels

consommateurs que sont les voyageurs dans les gares.

1.1.2.2. Marketing et publicité ciblés

Le fonctionnement du marketing mobile!

Autre source de profit pour les entreprises de la mobilité qui sauraient ses saisir des atouts de la donnée :

le marketing et la publicité ciblés. Le smartphone agit comme un « portail de données ». Celles-ci entrent

et sortent des terminaux (upload , download / téléverser, télécharger), et entre la sortie des données de

l’appareil (action volontaire ou non de l’individu d’envoyer des informations) et l’entrée des données dansle même appareil (action de recevoir des informations), une série d’opérations peut être réalisée. Sont

analysés plusieurs facteurs :

• Le comportement de l’individu (temps passé sur les pages d’un site par exemple)

• L’équipement (modèle de terminal, tablette ou smartphone et marque)

• La géolocalisation (ville, et déplacements de l’individu)

• Les informations personnelles (si des autorisations spécifiques ont été accordées à certaines

applications pour qu’elles communiquent avec d’autres programmes).

Avec cette combinaison de données, les entreprises ont un excellent outil de communication vers leurs

clients. Elles pourront envoyer des promotions et messages ciblés sur les informations personnelles

(sexe, âge, équipement), ou basés sur la géolocalisation des personnes (ville, rue, et désormais

boutique, grâce à la précision et à l’instantanéité des beacons.)

! Particulièrement intéressant pour les opérateurs de transports

Et le marketing mobile est justement adapté au domaine des transports, puisque les données

géolocalisées ont un sens lorsque l’on est soi même en mobilité. C’est à dire que l’individu qui se

déplace, celui qui fréquente les gares par exemple, est plus susceptible d’être interpellé par une

information qui lui sera utile lors de son déplacement (une promotion sur un jeu ou magazine « passe

temps » s’il se rend dans X point de vente, une information sur les magasins à proximité, etc!) que

l’habitant du quartier de cette même gare, qui connaitra bien son environnement.



"M

1.1.3. Amélioration des transports existants et création denouveaux services

1.1.3.1. Adapter les transports à la demande

Adapter l’offre à la demande

L’une des avancées que permettent les statistiques d’aujourd’hui grâce à l’accélération de la remontée et

du traitement des données consiste en la connaissance très poussée qu’ont les AOT de la fréquentation

de leurs lignes. S’il est toujours difficile de visualiser exactement et rapidement les flux automobiles

(comptage manuel dans la plupart des cas), ce n’est pas le cas pour les flux de voyageurs : presque tous

les réseaux sont équipés de capteurs et de technologies de comptage automatique (Cf. AFC, APC en

introduction).

Adapter le service aux nouvelles générations

Alfred Marshall, en 1890 écrivait : « Les projets de grandes et soudaines transformations sont

maintenant, comme toujours, condamnés à échouer et à provoquer des réactions ; le progrès ne peut

pas être sûr s’il s’accomplit si vite que l’organisation nouvelle soit très en avance sur nos idées. » 34

Cette phrase peut se lire comme une clé de compréhension qui s’applique aussi bien aux successives

révolutions industrielles, qu’aux bouleversements qu’engendre la croissance de l’économie de la donnée

en particulier et des TIC en général. Ici, il s’agit de dire que l’émergence de la donnée, qui la place

presque au centre des innovations dans les mobilités urbaines, doit être suivie d’une transformation

profonde des organisations elles mêmes pour ne pas échouer dans ce progrès. Si l’économie de

l’information permet à de nouveaux concepts, de nouvelles mobilités de voir le jour, il faut permettre à ces

dernières d’exister, en transformant, en adaptant le cadre institutionnel qui régit nos déplacements

(acteurs publics, acteurs privés, acteurs politiques). Les usagers des transports urbains sont déjà en

demande de nouveaux moyens de déplacements : nous ne pouvons que constater le succès

relativement récent du vélo en libre service et l’essor du covoiturage. Permettre aux startups d’exploiter ladonnée, c’est favoriser l’amélioration de la qualité des transports et des services urbains qui y sont liés.

Les jeunes générations, celles que l’on appelle génération Y, ou même Z, et celle des digital natives sont

par exemple en demande d’instantanéité, de précision, et plus généralement d’informations. 35 La

multiplication du nombre d’applications smartphone dédiées aux déplacements témoigne de ce besoin,

car ces applications sont autant utiles pour planifier un trajet que pour informer au cours d’un

déplacement (retard ou incident). Dans les villes dotées d’un réseau de transport complexe, ces

=B ZOV`YOAA O# @01+(1D$% >#8(/+/31$ D/-1&1*"$R f"MHNh 2'5& "R ^14,. s I,1>,&R U4,1+R "HN@R /# @= =G O$IQVL ]# a$ ("-&$ >$ -#"0.$+($ X -, %/(18&8 3,-,>$ >" &$3D%R P*4554,1'%R 8NN=



"H

applications sont parfois considérées comme « indispensables » : un grand nombre d’articles traitent du

sujet, en proposant un « top des applis » pour se déplacer par exemple36

1.1.3.2. L’usager des transports comme finalité ? Illustration par lacartographie collaborative

Il est impossible de parler de la montée en puissance de la donnée dans les transports urbains sans

aborder la cartographie collaborative. OpenStreetMap (OSM), projet lancé en 2004, a pour objectif de

cartographier le monde de façon collaborative, pour proposer une cartographie gratuite et libre de droits,

telle que s’est construite l’encyclopédie Wikipédia. Aujourd’hui, OpenStreetMap propose une cartographie

plus précise que celle de Google Maps37

Nous le constaterons dans cette partie, la construction collaborative des données cartographique a un

impact globalement positif et intéressant à étudier pour les usagers des transports urbains : nous nous

appuierons sur la cartographie de l’accessibilité pour le démontrer.

Améliorer la prise en compte des personnes à mobilité réduite dans les transports

Une des missions d’OpenStreetMap est de cartographier l’accessibilité. Il existe un grand nombre de

contributeurs, qui chaque jours, grâce à plusieurs applications, logiciels, et sites dédiés, ajoutent descouches d’informations sur l’accessibilité des monuments, des transports, des trottoirs, et autres lieux

publics. L’image ci-dessous est issue du site allemand Wheelchair.org, qui utilise la cartographie

collaborative (et le fond de carte issu d’OSM) pour qualifier l’accessibilité ou non des espaces publics. On

remarque sur cette partie de la carte par exemple, en rouge, l’inaccessibilité de certains transports place

Bellecour à Lyon (ici, les entrées du métro notamment)

=@ A& P1;4,'R L'/12'R N"%&2R I*'; Z1-,'+'02R ^&%&,421'% WLR \12bi&(5R &2-g

=J r'1, -'5/4,41+'% .& -4/2(,&+ .36-,4%+ .& ^'';*& Z4/+ &2 T`ZR O%%&K& 8



8N

Figure 4 WheelChair.org, cartographie de l'accessibilité

Les entreprises : premières bénéficiaires de l’essor des données ?

Alors qu’OSM propose des fonctionnalités relativement faciles à s’approprier pour les développeurs et les

professionnels, on ne peut pas affirmer que l’outil est tout à fait adapté au « grand public » (les usagers

des transports en commun, les habitants).

Nous pouvons appliquer cette problématique à l’ensemble des politiques d’open data : « Le discours sur

les données publiques soutient la promesse d’un renouvellement du savoir et du pouvoir par l’accès aux

données par le plus grand nombre. Or l‘open data est une démarche de publication de donnée brutes qui

s’adresse à une communauté réduite capable d’interpréter ces données. La complexité de certains

formats et la structuration métier de certaines données les rend bien souvent inintelligibles au citoyen. »38

L’outil d’édition, qui permet de collaborer et d’intégrer des données sur la base, nécessite un minimum de

formation pour l’utiliser, et il n’a pas été conçu pour être ergonomique pour tous les profils d’internautes.

Quant à l’outil de visualisation en ligne, il a été pensé comme une vitrine des possibilités qu’offre OSM. A

l’instar de GoogleMaps, qui a optimisé les différentes visualisations des jeux de données (transports en

commun, itinéraires, relief, photographies, etc!) pour qu’elles soient accessibles au plus grand nombre,

OSM propose plutôt une interface pour visualiser en « deuxième temps » une cartographie mondiale

=M A17&,21-R a$ (1&/G$+ , &'1- "+$ D-,($ >,+% -#/D$+ >,&, 4 8N"8R &% *1;%&R -'%+(*247*& ? *34.,&++& D

C22/+Dmm*17&,21-#_',./,&++#-'5m8N"8mN8m"Jm*&c-12'b&%c4c2c1*c(%&c/*4-&c.4%+c*'/&%c.424m



8"

détaillée et à jour. C’est à dire que pour obtenir une visualisation représentative, adaptée et esthétique

d’un jeu de données, une étape sera nécessaire pour transformer le rendu : la « data-visualisation » 39.

Cartographier sur OpenStreetMap ne répond pas immédiatement à un besoin des usagers, ou du moins,

pas directement. Les bases données, dans le sens générique du terme, sont utilisées par les entrepriseset les organisations pour collecter, hiérarchiser et traiter leurs données. OpenStreetMap est un moyen

pour les elles de répartir ou classer les données selon leurs coordonnées géographiques. Pour les

organisations qui ont une activité « dense » sur un grand territoire, comme les entreprises des domaines

de l’énergie, du transport et de la logistique, de la gestion de l’eau ou encore des infrastructures,

OpenStreetMap leur propose une base de donnée puissante pouvant servir à entrer et extraire des

données précises : une base pour ensuite alimenter des programmes de gestion à l’échelle territoriale, et

en interne.

Dans ce type de configuration, le logiciel OSM et l’API qui permet l’extraction des données ne s’adresse

pas directement au grand public et donc à l’usager. OpenStreetMap s’utilise ici comme un appui à la

gestion des données géolocalisées, et non comme un « portail d’Open Data ». Mais l’association

OpenStreetMap ne définit pas de possibilités d’usages à privilégier, elle propose en accès libre un logiciel

puissant à destination de tous : l’entreprises, ses salariés ses ingénieurs, et la société avec ses citoyens

et ses services publics et privés. Là encore, c’est le résultat de l’utilisation par tous qui comptera : plus les

données sont collectées puis traitées, plus la connaissance géographique permettra in fine d’améliorer

les services publics et privés proposés aux citoyens. C’est bien l’usager qui peut en bénéficier en « bout

de chaine », puisque ni OpenStreetMap, ni les entreprises et les collectivités de manière générale ne lui

demanderont de payer cette amélioration du service.

En revanche, les intermédiaires comme Open Data Soft s’adressent exclusivement aux entreprises et

aux collectivités : leur produit est un extracteur de données, ce que l’on appelle la Data Visualisation. Il

s’agit d’extraire les données les plus pertinentes pour une mesure précise et de pouvoir les visualiser

d’une façon la plus représentative possible : des cartes de chaleur, des anamorphoses, des

modélisations 3D, des nuages de points, des diagrammes, etc!(voir les deux exemples en annexes)40

Ce sont généralement des outils destinés à l’interne des entreprises et des collectivités, et qui présentent

peu d’intérêt pour une utilisation « démocratisée ». Mais encore une fois, rappelons que l’intérêt de cetusage profitera indirectement à l’usager, lorsque les services qui lui sont proposés s’améliorent.

Un objectif de satisfaction de l’intérêt général

Néanmoins, des initiatives ont vu le jour pour faciliter l’accès à l’édition sur OpenStreetMap. C’est le cas

par exemple du Humanitarian OpenStreetMap Team (HOT), ou de l’organisation Missing Maps qui aident

=H r1+(4*1+421'% .&+ .'%%6&+ D )'1, *&K1<(& &2 47,6)1421'%+ /'(, .4)4%24;& .& /,6-1+1'%+ BN O%%&K&+ @ &2 J



88

des populations de pays en développement à cartographier elles même sur OSM. Il s’agit de cartes sur le

thème du développement économique pour aider à la décision, mais principalement de cartographier le

risque dans le but d’enrichir collectivement les bases de prédiction des risques naturels.

Outre les initiatives internationales et humanitaires, on peut observer une volonté des collectivitésterritoriales en France de rendre l’outil plus accessible : des « carto-parties»,41 relativement nombreuses,

sont organisées généralement en collaboration avec des collectivités et des associations. La Ville de

Montpellier en organise régulièrement, notamment autour de la thématique du handicap et de

l’accessibilité.42 Les participants aux « carto-parties » ont différents niveaux de maitrise de la collecte et

de l’édition de donnée, et les initiés ont généralement pour rôle de transmettre leur savoir-faire aux

débutants. C’est ainsi que la communauté OpenStreetMap s’agrandit, et qu’elle prend tout son sens :

plus les cartographes sont nombreux, meilleur sera le niveau de détail et de fiabilité de la cartographie

finale.

1.2. Des coûts d’investissements motivés par une logiqueprivée

1.2.1. L’investissement privé dans les TIC : quel profit ?

1.2.1.1. Mesurer la part de l’investissement consacrée à l’innovation dansles systèmes d’information

Quelles entreprises de transports investissent dans la donnée ?

Proclamé par plusieurs médias comme « mot de l ‘année », en 2012, 2013, 2014 et 2015, le Big Data

séduit fortement les entreprises, comme nous l’indique cette étude menée par Cap Gemini, groupe de

consultance en gestion et technologies : « 61% des entreprises constatent que le Big Data peut devenir

"moteur de croissance à part entière", étant considéré comme aussi précieux que leurs produits et

services existants". 43% des entreprises se sont déjà restructurées ou se restructurent actuellement

pour exploiter le potentiel du Big Data. »43

B" \4,2' U4,21& D +64%-& ',;4%1+6& &% 6)6%&5&%2 .& -4,2';,4/C1& -'**47',421)&R )'1, *&K1<(& &2 47,6)1421'%+# B8

`12& Z'%2/&**1&, L&,,12'1,& ](56,1<(& -'%+(*26 *& N8#NM#8N"G#C22/Dmm5'%2/&**1&,#2&,,12'1,&%(5&,1<(&#',;m'/&%.424m-4,2'/4,2bm

B= Q2(.& .& \OU ^QZW]WR Z4,+ 8N"G



8=

De plus, les estimations « fusent » : on parle d’un marché qui atteindra plus de 114 milliards de dollars en

2018.44 Ces prévisions seront nuancées dans la partie suivante. Pourtant, c’est un fait : certaines

entreprises de transport n’hésitent pas à investir dans l’amélioration des systèmes d’information pour

mieux traiter la donnée. Keolis compte par exemple investir 30 millions d’euros sur trois ans dans un

nouveau pôle en charge notamment du chantier numérique. Cette entreprise s’est rapprochée égalementde six startups, et a investit dans l’entreprise Moovit45 (équivalent de Waze pour les transports urbains,

qui a levé 50 millions de dollars en janvier 2015). 46

Il serait réducteur de mentionner uniquement les acteurs de la mobilité qui investissent dans les

systèmes d’informations. Les opérateurs téléphoniques ont tout intérêt à voir dans les données (y

compris celles appliquées aux transports urbains) une forte valeur. Ce sont eux, qui en partie, investiront

pour que leurs technologies sans fil puissent collecter des données, pour ensuite les traiter et les

valoriser sur le marché en BtoB, en les vendant par exemple aux entreprises de transports.

L’impossibilité d’isoler la dépense dans la donnée seule

Mais l’investissement dans l’amélioration des systèmes d’informations dont on parle ne saurait être

rentable, ou utile, sans un investissement dans les technologies elles-mêmes. C’est pourquoi on ne peut

exclure l’investissement dans la donnée du financement de l’innovation technologique au sens large. Plus

concrètement, la donnée doit être produite, et doit pouvoir profiter à une utilisation. Il faudra donc investir

dans des capteurs, des caméras, des applications smartphone et d’autres technologies très hétérogènes

pour la produire, et investir dans un ou des supports pour la visualiser et l’utiliser (applications

smartphone, écrans, site internet, etc!) L’exemple de la réalité augmentée 47 à travers la startup

WayRay48 peut illustrer ce principe. Le produit que vend cette entreprise est un pare-brise connecté, qui

affiche un ensemble de données (données GPS, état des routes et trafic, données sur le véhicule),

destinées à améliorer la visualisation des informations de conduite sous la forme « réalité augmentée ».

Il est clair que cette même startup devra vraisemblablement investir dans l’accès aux données de base

(trafic et guidage), comme toute entreprise de réalité augmentée, mais elle devra surtout consacrer son

investissement à l’achat et au développement de technologies annexes permettant l’affichage de ces

données, car son innovation ne réside pas dans la pertinence des données mais dans l’ergonomie deson support : le pare brise en « réalité augmentée ».

BB OIW V&+4,-CR A'%.'%R 8N"= D H F-/6,- %D$+>1+. /+ 61. >,&, 6G /0.,+1e,&1/+% K1-- $g($$> hM; 61--1/+ 1+ ?=;M9 A1+>% , +$K

3,0L$& A/0$(,%& 6G \YB _$%$,0(2O `2$ %D$+>1+. K1-- .0/K ,& , R\F_ /A ?NOiP /C$0 &2$ +$g& A1C$ G$,0%9 0$,(21+. h;;E 61--1/+ 1+ ?=;jO `2$ A/0$(,%& 1+(-">$% &2$ 3/+$G %D$+& /+ 1+&$0+,- %,-,01$%9 D0/A$%%1/+,- %$0C1($%9 &$(2+/-/.G %$0C1($%9 1+&$0+,-

2,0>K,0$9 ,+> 1+&$0+,- %/A&K,0$O k BG YOVZO]L T# a$ &0,+%D/0&$"0 D"6-1( l$/-1% A,1& -$% G$"g >/"g ,"g >8C$-/DD$"0%R P,&%-C_&7R 8N"G B@ YOVZO]L T# T//C1&9 -$ b,e$ >$% &0,+%D/0&% D"6-1(%9 -mC$ n= 31--1/+% >$ >/--,0%9 l$/-1% QVJRdS $& Y$0+,0> \0+,"-& ,"

(,D1&,- R P,&%-C_&7R 8N"G BJ

V64*126 4(;5&%26& D &%+&57*& .& 2&-C%'*';1&+ /&,5&224%2 .3456*1',&, *4 -'%%41++4%-& .& +'% &%)1,'%%&5&%2 &% 2&5/+,6&*# r'1, *&K1<(& &2 47,6)1421'%+BM VOa]OA O# b,G0,G9 -, C/1&"0$ , >8%/03,1% %/+ D,0$'601%$ (/++$(&8 R P,&%-C_&7R 8N"G



8B

Cet exemple montre la difficile quantification de l’investissement dans l’économie de la donnée. Il est

nécessaire de considérer l’information comme étant au cœur de presque toutes les innovations

numériques, et donc, de comprendre les investissements essentiels dans les technologies de la donnée :

collecte (capteurs), traitement (stockage et main d’œuvre), et distribution (supports d’affichage etdéveloppement web).

1.2.1.2. Quantifier l’apport financier du traitement des données

Une spéculation certaine sur la valeur des données

Si les entreprises de la mobilité, ainsi que celles de tous les autres secteurs investissent de grandes

sommes dans le développement des systèmes de collecte, traitement et distribution des données,

c’est parce que le marché des systèmes d’informations, du Smart et Big Data est au centre d’un

processus spéculatif. Il existe de très fortes espérances sur la rentabilité des données de masse

chez les acteurs économiques (banques, décisionnaires d’entreprises, investisseurs et actionnaires).

Le caractère exagéré, et même spéculatif de la valeur des grands jeux de données peut s’observer à

travers la nature divergente des estimations et prévisions économiques de la taille du marché qu’il

représente.



8G

Figure 5 Estimations de la taille du marché mondial du Big Data selon les sources – Réalisation personnelle

Selon Frydman et Goldberg, en 2013, il y a pourtant là un signe positif qui est envoyé : le fait

d’accorder de la valeur au futur marché de la donnée ne peut pas être basé uniquement sur des

prévisions échappées ex nihilo. « Pourtant, bien que la spéculation de valeurs et la spéculation de

court terme soient toute deux influencées par les tendances de court terme des fondamentaux, les

marchés financiers sélectionnent les projets et les entreprises qui, dans l’ensemble, donneront aux

investisseurs et à la société des retours de long terme bien supérieurs à ceux que produiraient

toutes les tentatives d’allouer du capital sans l’intermédiaire des marchés. » 49

Mesurer l’apport des données pour les entreprises ?

Les signaux positifs ou négatifs qui poussent les acteurs économiques à investir sont parfois liés à

d’autres éléments que les valeurs quantitatives permettant les calculs de rentabilité : « Par exemple,

si une entreprise se dote d’une meilleure équipe de direction, ses performances de court terme

comme ses perspectives de long terme sont susceptibles de s’améliorer. » 50 Et c’est ce qui

caractérise largement le marché d’internet et des TIC : les valeurs boursières sont très fluctuantes,

BH PVa9ZO] V# ^TA9IQV^ Z# T,0(28% X -, A1+ >$% 3/>m-$% %&,+>,0> R U,1%-&2'% $%1)&,+12b U,&++R 8N"=R /# 8NM GN PVa9ZO] V# ^TA9IQV^ Z# T,0(28% X -, A1+ >$% 3/>m-$% %&,+>,0> R U,1%-&2'% $%1)&,+12b U,&++R 8N"=R /# 8NH

N

"N

8N

=N

BN

GN

@N

8N"8 8N"= 8N"B 8N"G 8N"@ 8N"J 8N"M 8N"H

O - 7 =

N 1 .

4 P 9 @ ' - 8 -

Q 2 0 C

9 6 6 9 - 7

. ;

. 2

. /

6 6 - 7 ;

R

J0012;

W%24,%421'%4* 9424 \',/',421'%

L,4%+/4,&%-b Z4,t&2 V&+&4,-C

W%2&,%421'%4* W%+212(2& '0

O%4*b21-+

Z4,t&2+4%.+ Z4,t&2

O..b%&++ f54;4i1%&h

A& P1;4,'

OUWQ\

$+1%& 91;124*&

A4 L,17(%&

O**14%-&I1;9424



8@

et les GAFA51 (Google, Apple, Facebook, Amazon) basent souvent les signaux qu’ils envoient aux

actionnaires sur des remaniements internes.

Mais plusieurs éléments nous poussent à constater des effets pervers de cette bulle spéculative. Si

l’on peut croire que les données ont véritablement un prix, on se méfiera en revanche du décalageentre le prix effectif de (x) ou (y) masse de donnée, par rapport à la valeur que lui donne un

investisseur ou un groupe financier. Dans Théorie de la régulation, Robert Boyer explique que « si la

financiarisation intervient dans une économie encore dominée par la société salariale, c’est à dire

que le revenu du travail est le déterminant essentiel du mode de consommation, alors un relèvement

de la norme de rentabilité a au contraire un impact négatif » L’auteur prend pour exemple la crise

japonaise des années 1980, en montrant que l’ouverture du pays à la finance internationale a

notamment « détérioré » les indicateurs de rentabilité. 52

L’entreprise de R&D 451 Research a estimé par exemple que le Big Data ne représentait qu’une

petite partie de l’ensemble des données stockées mondialement : « ( ! ) big data accounted for just

3% of the total data storage footprint in 2012 – and the exact same percentage in 2013 ».53 Le même

article, de Matt Aslett, qui adopte ce point de vue nuancé, ou plutôt sceptique quant à l’intérêt du Big

Data, qualifie de « over-hyped » (en français : « plus qu’exagéré ») l’attrait pour les données de

masse.

De plus, dans le nuage de points que nous avons réalisé, nous avons volontairement écarté les

valeurs extrêmes des prévisions par certains médias et instituts, allant jusqu’à 5,000 milliards de

dollars pour 2025 ou encore 125 milliards de dollars pour 2018.54

1.2.2. La revente des données personnelles comme activitéexclusivement privée

1.2.2.1. Conflits juridiques et revente des données

Il suffit de s’écarter brièvement du domaine des mobilités pour constater l’ampleur d’une problématique

telle que celle de la revente des données personnelles. Facebook, Microsoft et Google sont par exemple

prêts à collaborer avec les banques pour permettre à ces dernières de réduire leurs risques concernant

G" T% .6+1;%& +'()&%2 /4, *&+ ÔPO *&+ E ;64%2+ F &57*65421<(&+ .31%2&,%&2R /4, *&(, -4/4-126 ? 4)'1, 2,4%+0',56 *&

/4b+4;& %(56,1<(&#

G8 ITaQV V# `28/01$ >$ -, 08."-,&1/+9 ;O a$% A/+>,3$+&,"g R A4 96-'()&,2&R U4,1+R 8NNBR /# HM G= OÀQLLR Z# VD/&-1.2&X Y1. >,&, 0$(/+%1>$0$>X 1&Z% &2$ $(/+/31(%9 %&"D1> R 8N"=

GB ]'(+ 4)'%+ 6-4,26 *&+ )4*&(,+ &K2,n5&+ %'% /4+ /4,-& <(& %'(+ *&+ 4)'%+ /&,+'%%&**&5&%2 d(;6&+ -'55& &K4;6,6&+R541+ /4,-& <(31* 4(,412 04**( (% ;,4/C1<(& -'5/,&%4%2 .&+ 4K&+ ? 74+& *';4,12C51<(& 2,'/ 6*&)6& /'(, ,&%.,& -'5/2& .&

*4 .1+/&,+1'% .&+ &+215421'%+#



8J

les prêts aux particuliers. Le dernier exemple est récent : Facebook a breveté une solution qui permettra

aux banques de refuser automatiquement un prêt selon le réseau social de l’individu. A terme, il sera

possible d’identifier les clients ayant un réseau d’amis sur leur réseau social aux faibles capacités de

remboursement. 55 Si l’on peut imaginer que les banques sont prêtes à investir lourdement dans les

technologies qui leur permettent de réduire leurs risques, les acteurs de la mobilité sont-ils aussi enmesure de réutiliser les données personnelles des individus ?

On peut imaginer plusieurs réutilisations des données personnelles. Nous différencions l’utilisation des

données de masse et la revente des données plus sensibles par l’usage qui est fait des informations

récoltées. Quand les données « de base » sont utilisées telles que nous l’avons décrit plus haut, (c’est à

dire pour modéliser les flux, améliorer la compréhension des comportements d’achats, etc!) nous

parlerons simplement de réutilisation des données. Mais lorsque les informations personnelles sont

utilisées pour les revendre ou même seulement les communiquer aux autorités ou aux banques, nous

utiliserons plutôt l’expression de réutilisation des données personnelles, car elles concernent un seul

individu et peuvent parfaitement être associées à celui-ci et par conséquent lui causer du tort.

Des groupes privés très volontaires pour collecter et revendre les données personnelles

Les données de mobilité peuvent être considérées comme personnelles : les déplacements sont libres, et

ils concernent les individus eux-mêmes. Seuls les détectives privés, les enquêteurs et en général les

autorités sont en droit d’effectuer des filatures, et tenir un registre sur les déplacements d’une personne

en particulier. Pourtant, Google, par le biais de son système d’exploitation Android et de son application

Google Chrome, détient les informations sur les déplacements de tous leurs utilisateurs. Non seulement

pour leur caractère commercial (réutilisation des données de masse), mais aussi pour leur nature

confidentielle (seuls quelques opérateurs sont capables de récolter des informations aussi sensibles que

la géolocalisation dans le temps), on comprend pourquoi les données de mobilité représentent une

véritable valeur ajoutée pour les groupes privés. Ces derniers sont prêts à s’investir pleinement dans le

lobbying, et parfois même dans le contournement des règles de confidentialité fixées par les Etats.

La plupart du temps, les données personnelles sont demandées en l’échange d’une certaine forme de

« récompense », comme l’accès à un réseau social ou la possibilité utiliser gratuitement uneapplication.56 Mais outre cette facilité rencontrée par les entreprises d’internet pour réclamer et accéder

aux données personnelles, parfois « sensibles » des individus (la startup de covoiturage Karos demande

l’adresse du domicile et du travail par exemple), le discours que l’on entend habituellement à ce propos

remet peu en question ces pratiques. Le propos d’Eric Schmidt (ex PDG de Google) représente très bien

l’idée selon laquelle « les personnes qui ne souhaitent pas que ce qu’elles font se sache devraient ne pas

agir « tout court » : « If you have something that you don’t want anyone to know, maybe you shouldn’t be

GG A& U'1%2R I& %1 "+$ 6,+*"$ C/"% 0$A"%,1& "+ D0o& : (,"%$ >$ C/% ,31% d,($6//L 4 8N"G G@ VT\YQAO]9QL P# I(/+/31$ >$% >/++8$% D$0%/++$--$% $& >$ -, C1$ D01C8$R A4 96-'()&,2&R U4,1+R 8N"NR /# M@



8M

doing it in the first place». 57 Cela revient à dire que désormais tout se sait, et que dans le futur, aucun de

nos déplacements ne pourra être invisible, ou même oublié par les entreprises qui recueillent et stockent

nos données de mobilité.

Cependant, ce ne sont pas les données considérées séparément qui ont une valeur, mais l’agrégations,la concentration de plusieurs données qui permettent de connaître une partie souvent très importante de

la vie privée des individus.58 L’argument qui avance que nous n’avons rien à craindre de la dispersion de

nos données personnelles doit plutôt être entendu comme le fait que nos données n’ont aucune valeur

lorsqu’elles concernent chacun de leurs possesseurs , mais qu’elles se valorisent lorsqu’elles peuvent

caractériser un flux ou une masse d’individus.

1.2.2.2. L’utilisation des données personnelles dans une logique publique

La loi sur le renseignement de 2015 : un recul des libertés ?

La loi sur le renseignement, votée en 2015 permet une procédure « d’urgence opérationnelle », qui

autorise les services des renseignements d’outrepasser les procédures habituelles.59 Le texte de loi

(Article L. 851-3) prévoit aussi de consentir à la collecte des données personnelles sous la forme d’une

« boite noire » directement depuis les téléphones en temps réel des personnes identifiées comme des

menaces. Ces informations peuvent révéler notamment la localisation des terminaux en question. Le

rapport N°1022 de l’Assemblée Nationale est clair sur le sujet : « Néanmoins, la géolocalisation en temps

réel est techniquement distincte de la communication des données géographiques, et elle met en jeu, au-

delà du droit au respect de la vie privée, la liberté d’aller et venir ».60 Les critiques sur cette loi sont

nombreuses, et réinterrogent les enjeux que nous avons soulevé dans la partie précédente : les données

personnelles et sensibles (géolocalisation principalement) détenues par les entreprises de transports et

Google pourraient-elles être livrées aux gouvernements ?

Etat des lieux du droit de l’utilisation des DP dans le monde

« Aux Etats Unis, la protection légale de la vie privée sur internet est a minima. En fait, dès lors qu’une

personne divulgue des DP (données personnelles) ou que la collecte et l’exploitation s’effectuent dans

des conditions non frauduleuses, il n’y a pas de contraintes spécifiques pour les firmes. »61

GJ `\YZW9L Q# \]I\ W%2&,)1&_R 8NNH GM VT\YQAO]9QL P# I(/+/31$ >$% >/++8$% D$0%/++$--$% $& >$ -, C1$ D01C8$R A4 96-'()&,2&R U4,1+R 8N"NR /# MB GH L$OA Z# A& Z'%.&R a/1 %"0 -$ 0$+%$1.+$3$+& X *"$ (/+&1$++$+& -$% >1%D/%1&1/+% ($+%"08$% D,0 -$ R/+%$1- (/+%&1&"&1/++$- 4

8N"G @N $VrTO` S#S [ rQV\YQVQ U# V4//',2 .31%0',5421'% .& *3O++&57*6& ]421'%4*& %l"N88R 8N"= @" VT\YQAO]9QL P# I(/+/31$ >$% >/++8$% D$0%/++$--$% $& >$ -, C1$ D01C8$R A4 96-'()&,2&R U4,1+R 8N"NR /# HN



8H

En Europe, les conditions que doivent respecter les organismes dans la collecte des données

personnelles ont été largement inspirées de celles dictées par l’OCDE en 1980 :

• Limitation à la collecte des données

•

Usage défini et appliqué• Communication du but de la collecte et limitation de l’utilisation des données à ce but

• Restrictions de la divulgation des données

• Sauvegardes et mesures de sécurité à appliquer pour protéger les données

• Transparence sur l’utilisation et les changements d’utilisations des données personnelles

• Le droit des individus d’avoir accès à leurs données et à leur utilisation

• Responsabilité des contrôleurs des données vis à vis des principes énoncés. 62

Dans le même rapport, il est précisé qu’en Asie, les principes de protection des données sont similaires à

ceux de l’OCDE et de l’Union Européenne.

Waze : premier « informateur » pour les villes ?

Rio de Janeiro est la première ville à avoir utilisé les données fournies par Waze. On ne pourra pas parler

ici de réutilisation des DP par une institution publique, puisque nous définissons les DP dans l’usage de

ces données comme une assignation de ces informations personnelles à un seul utilisateur bien identifié.

« Rio is the first city in the world to collect real-time data both from drivers who use the Waze navigation

app and pedestrians who use the public-transportation app Moovit, giving it an unprecedented view on

thousands of moving points across the sprawling city. Rio is also talking to the popular cycling

app Strava to start monitoring how cyclists are moving around the city too. » 63 Il s’agit bien ici de

l’analyse des masses de données, si l’on ajoute ce caractère de multiplicité des phénomènes dans

l’espace étudié : « On an average day in June, Rio’s transport planners could get an aggregated view of

110,000 drivers (half a million over the course of the month), and see nearly 60,000 incidents being

reported each day »64

Dans le même article, la porte parole de Waze (Julie Mossler), affirme que les traces GPS

personnellement identifiables ne sont pas partagées. Les gouvernements n’y ont donc, en théorie, pas

l’accès. Cependant, ces gouvernements locaux ne payant pas le service que Waze peut leur offrir,

n’hésitent pas à partager avec l’entreprise les données qu’ils récoltent autrement, par exemple avec leurs

caméras et leurs capteurs de trafic. Waze peut ainsi améliorer la « robustesse » de son application, en

diversifiant ses sources d’informations, grâce à la coopération avec les villes. Ce type de partenariat est

@8

W%2&,%421'%4* 2,4%+/',2 0',(5R \',/',42& /4,2%&,+C1/ 7'4,. ,&/',2R 8N"GR /# =@ @= TA`T] U# b2G F//.-$#% b,e$ B% ̀ 0,>1+. U%$0 ],&, b1&2 a/(,- F/C$0+3$+&%R P',7&+R 8N"B@B TA`T] U# b2G F//.-$#% b,e$ B% `0,>1+. U%$0 ],&, b1&2 a/(,- F/C$0+3$+&% R P',7&+R 8N"B



=N

souvent qualifié de « gagnant-gagnant », même si l’anonymat des données récoltées, bien qu’assurée

par les entreprises et les gouvernements locaux, pose tout de même question. 65

Pour l’illustrer, prenons l’exemple des taxis new-yorkais, dont la ville de New-York a récolté les données

concernant 173 millions de courses, et révélé ces dernières par inadvertance sous la forme d’un fichierde 20 GB. Les données, bien que sensées être anonymisées par une procédure de chiffrement – ou

encryption – faisaient facilement référence au numéro de licence de chaque taxi, puisque le chiffrement

était « pauvre »66, et l’anonymat par conséquent, très faiblement protégé.67 Les propos de CAVOUKIAN

A. et CASTRO D. prennent tout leur sens ici : les données très précises de géolocalisation doivent faire

l’objet d’une protection renforcée. « In the case of high-dimensional location or trajectory-based data,

there is a compelling argument to be made for using the most robust of these techniques and even

seeking additional data protection methods. »68

De plus, nous ajouterons que les mouvements de personnes deviennent ainsi de plus en plus

prévisibles : ce sont dès lors des empreintes digitales : « People’s patterns of movement in space and

time are repetitive and predictable. These trajectories are powerful identifiers – like fingerprints. »69 On

retrouve ici l’idée de la trajectoire spatio-temporelle selon Hägerstrand70.

C’est par cette première partie que nous avons pu prendre connaissance des raisons pour lesquelles les

acteurs privés dans leur ensemble (grands groupes de mobilité et géants du web) se sont déjà saisis des

potentiels qu’offraient les masses de données appliquées aux transports urbains. A travers l’exemple

d’OpenStreetMap, nous avons pu constater que ces mêmes données pouvaient être utile à l’ensemble de

la société. Il s’agira de savoir dans la partie suivante comment l’acteur public se positionne dans cette

nouvelle révolution de la production des données, grâce notamment à ses politiques d’open data.

@G TA`T] U# b2G F//.-$#% b,e$ B% `0,>1+. U%$0 ],&, b1&2 a/(,- F/C$0+3$+&% R P',7&+R 8N"B @@ A& -C100,&5&%2 m $+(0GD&1/+ (21*1+6& 1-1 62412 *34*;',12C5& Z9GR -'%%( /'(, n2,& 1%+(001+4%2 /'(, -'.&, &2 4++(,&, *4

+6-(,126 .&+ .'%%6&+#@J ^TT9W] 9# @//0-G ,+/+G31e$> -/.% 0$C$,- JcR (,6 >01C$0%# >$&,1-$> K2$0$,6/"&%9 O,2+L&-C%1-4 8N"B

@M W%2&,%421'%4* 2,4%+/',2 0',(5R \',/',42& /4,2%&,+C1/ 7'4,. ,&/',2R 8N"GR /# G=R m \OrT$oWO] O [ \O`LVT 9# Y1. ],&,

,+> B++/C,&1/+9 V$&&1+. &2$ _$(/0> V&0,1.2& X ]$'1>$+&1A1(,&1/+ ]/$% b/0L R WLWPR T%24,1'R 8N"B @H W%2&,%421'%4* 2,4%+/',2 0',(5R \',/',42& /4,2%&,+C1/ 7'4,. ,&/',2R 8N"GR /# G8 JN IQaQV \# VTaT$j 9# a, 3$%"0$ >$% &$3D/0,-1&8% &$001&/01,-$% X ,DD-1(,&1/+% $& +/"C$,"g >8A1% c a#,(&1/+ D"6-1*"$ A,($ ,"

&$3D% >$ C1C0$ f/# "@H u 8N"hR 8N"=



="

2. Les stratégies de l’action publique :l’open data comme obligation de servicepublic ou levier d’innovation ?



=8

2.1. Un besoin de partager et décentraliser la production de ladonnée

2.1.1. Une production de la donnée historiquement Top Down

La pensée d’Alain DESROSIERES caractérise bien l’origine de la production des données, qui est

désormais portée à changer rapidement : l’Etat a centralisé la production de la donnée et des statistiques

dans un contexte où il était l’acteur central et incontournable de tous les grands projets et de toutes les

constructions. Non seulement, pour lui, « Le développement du réseau statistique est lié à celui d’un

système d’institutions »

71

car il reflète les volontés centralisatrices des institutions, mais une telleproduction statistique révèle aussi le besoin d’un « Etat ingénieur » du début du XXème siècle.72 Nous

pouvons aussi lire Joseph GARNIER, qui déjà en 1865 écrivait : « La statistique constate et recueille les

faits sociaux qui peuvent s’exprimer numériquement, avec un esprit de méthode et un degré de précision

que l’histoire et la géographie n’ont jamais eu. »73

Aussi, la collecte des données sur le trafic routier est une obligation légale de l’Etat, créée par décret

(Article D111-2 du code de la voirie routière) : « Afin d'assurer la connaissance statistique des réseaux et

des trafics routiers, l'Etat mène, auprès des usagers de la route, des enquêtes sur leurs déplacements.

Les données recueillies au cours de ces enquêtes sont anonymes. »74

Si les données en masse concernent souvent une multitude d’éléments (les individus d’une population,

les adresses postales d’une ville, etc!), elles ont presque toujours été centralisées par un seul acteur

(entreprise ou administration). L’INSEE est par exemple en France la principale source d’information sur

les populations et leurs caractéristiques. Parler d’une production de la donnée sur un modèle Top-Down,

c’est considérer qu’une institution effectue à elle seule le travail de collecte, de traitement et de

distribution de l’information. Deux raisons peuvent expliquer la nécessité de centraliser la collecte des

données par un seul acteur.

D’une part, le temps nécessaire à la collecte et le traitement d’un grand volume de données était bien

plus long avant l’arrivée des TIC, et par conséquent, seuls les organismes disposant d’une main d’œuvre

nombreuse pouvaient prétendre à collecter un volume critique d’informations.

D’autre part, la qualité des données est primordiale lorsque celles-ci sont collectées dans un cadre public

(sondages et enquêtes), car elles pourront éventuellement donner lieu à des décisions politiques d’intérêt

J" 9Q`VT`WQVQ` O# I+&0$ 08,-1%3$ 38&0/-/.1*"$ $& (/+C$+&1/+% >#8*"1C,-$+($9 -$% ,361."p&8% >$ -, %/(1/-/.1$ *",+&1&,&1C$ R

^6%>+&R 8NN"R /# ""8c"8J J8

9Q`VT`WQVQ` O# a#I&,&9 -$ 3,0(289 $& -$% %&,&1%&1*"$%O R1+* A,q/+% >#,.10 %"0 -#8(/+/31$ R W%+&&R 8N"8 J= ÔV]WQV S# ]'2&+ &2 /&212+ 2,4126+R ^4,%1&, 0,>,&+ &2 ^(1**4(51% &2 \1&R U4,1+R 8& 6.121'%R "M@GR / ""B# JB \'.& .& *4 )'1,1& ,'(21>,&R O,21-*& 9c"""c8R 96-,&2 %l8NN@c8=G .( 8J 06),1&, 8NN@



==

général, qui obéiront naturellement à un principe sous-jacent de démocratie. La centralisation de la

collecte, du traitement et de la distribution est alors garante de la « légitimité » des données mises à

disposition : ces informations ne devront pas pouvoir être mises en doute.

2.1.2. Intérêts de la centralisation des données par uneinstitution indépendante

ETAPE GARANTIE INTERET

COLLECTE

Indépendance de la méthode

de collecte

Questionnaires et réponses

uniformisés, élaboration d’une

collecte neutre (pour des

résultats non orientés)

TRAITEMENT

Indépendance des résultats Elaboration d’indices non

faussés, traitement des

données sur une base neutre

DISTRIBUTION

Protection des données à

caractère personnel

Restriction des réutilisations

Interdiction de profiter des

informations à des fins

publicitaires, protection de la vie

privée.

Ces méthodologies et raisonnements se justifient parfaitement pour produire une information neutre à

des fins politiques, telles que les sondages, les enquêtes publiques et les enquêtes sur les

déplacements. Toutefois, la principale limite de ce type de fonctionnement est sa lenteur : pour obtenir

un volume égal d’informations, le fonctionnement collaboratif en open source est bien plus rapide et

moins coûteux que le système centralisé que nous avons décrit. L’Encyclopédie Encarta a été très

rapidement « détrônée » par Wikipédia, car cette dernière a pu offrir un volume d’information grandissant

et significatif à ses lecteurs. Le Bottom-Up a pris le dessus sur le Top-Down, et nous sommes peu à peu

arrivés vers la révolution de la production de la donnée dont nous percevons les premières « vagues »

partir des années 2010.

Parallèlement, les groupes privés ont saisi l’opportunité d’une telle réorganisation du mode de production

des données. Ils ont vu dans la remontée collaborative de l’information un excellent moyen de

rationnaliser leurs dépenses en études de marché, sondage et ciblage de leur clientèle. D’autant plus que

la qualité et la neutralité des données n’est plus centrale lorsqu’il s’agit d’adresser une publicité à une

cible de consommateurs. En effet, la valeur ajoutée des donnée résidera dans leur volume : plus elles

concerneront d’individus, et plus elles seront complètes, meilleure sera la connaissance du (futur) client.



=B

Si Google a créé à son tour un réseau social (Google+), c’est aussi lorsque l’entreprise a constaté la

valeur des données privées que détient par exemple Facebook. Eric Schmidt, le PDG de Google en 2011

reconnaissait avoir manqué le virage social du web, et l’entrée en bourse de Facebook en 2012 n’a fait

que confirmer la valeur des « échanges sociaux » sur internet : Facebook a pesé jusqu’à 104 milliards de

dollar (contre 23 milliards pour l’entrée en bourse de Google en 2003).

2.1.3. La question de la propriété des données : vers denouvelles valeurs ?

En somme, les institutions et les organisations étaient les seuls à pouvoir produire et collecter puis traiter

et distribuer l’information. Il fallait une main d’œuvre, des moyens techniques et de la place pour les

stocker et les traiter. Avec l’arrivée de l’ordinateur, le volume des données que l’on a pu calculer et

analyser a considérablement augmenté. Lorsque Internet s’est développé, les serveurs se sont dispersésdans l’espace, et la propriété des données a éclaté. Aujourd’hui, nous sommes parvenus à créer deux

modes principaux d’organisation des données : celles qui sont collectées par les institutions et les

entreprises, et celles qui sont la propriété de tout le monde.

Les données qui ont un « propriétaire » peuvent faire l’objet de politiques d’Open Data, elles sont donc

« semi-privées », car elles sont collectées par un seul acteur mais peuvent être traitées et détenues par

tout le monde. Mais l’essentiel des données n’est pas nécessairement ouvert, et l’essor du Big Data (dont

nous aborderons le caractère spéculatif) pousse les acteurs privés à les conserver pour en maximiser la

valeur en les traitant eux même (analyse, revente, utilisation).

Il reste un deuxième type d'emploi, qui demeure pour le moment relativement nouveau : les données en

Open Source, celles qui constituent les usages du type OpenStreetMap : collectées par tous, traitées et

utilisées par tous, sans problématique de propriété, et donc d’achat et revente. La valeur marchande de

ces données est indirecte, lorsqu’elles sont transformées et analysées par des entreprises privées

(OpenDataSoft par exemple).

L’ouverture des données est désormais imposée aux sociétés de transports par la loi Macron, adoptée en

août 2015. Néanmoins, cette obligation légale pose deux problèmes. Le premier est d’ordre juridique : siles données sont la propriété d’une personne morale, comment imposer à cette dernière de les distribuer

gratuitement ? Le deuxième problème est d’ordre financier : la production, le traitement et la distribution

des données ont un coût, il s’agit de savoir qui, de l’Etat, des entreprises, ou des usagers, devra financer

l’ouverture gratuite des données en question. En outre, le problème juridique et financier se pose d’autant

plus que les données sont source de profit pour certaines entreprises de transports.

Yves Tirode, directeur du digital de SNCF, propose quant à lui un modèle économique freemium75 pour

une plateforme d’open data. Les particuliers et les startups qui ont besoin des données pour créer des

JG \,'1+&5&%2 &%2,& 5'.>*& E /,651(5 F &2 ;,42(12R )'1, *&K1<(& &2 47,6)1421'%+



=G

applications de transports, pourraient avoir accès à ces données gratuitement. Quant aux grands

groupes ou géants du web tel que Google nécessitant un nombre très élevé de requêtes de données

pour leurs programmes, ils devraient payer à SNCF un abonnement premium.

Mercier De La Rivière, déjà en 1767, disait que « ( !

) le maintien de la propriété et de la liberté, danstoute leur étendue naturelle et primitive, va faire régner à cet égard l’ordre le plus parfait, sans le recours

d’aucune autre loi. »76 L’adage semble toujours de rigueur : si la loi tente de réduire les droits de

propriété, et la liberté de jouir des biens que l’on produit, il faut qu’elle s’attende à des réactions

J@ ZQV\WQV 9Q AO VWrWQVQ a#/0>0$ +,&"0$- $& $%%$+&1$- >$% %/(18&8% D/-1&1*"$%R f"J@JhR UCb+1'-,42&+R 8& /4,21&R ^(1**4(51%RU4,1+R "MB@R / @8N



=@

2.2. Un nouvel impératif de transparence et d’accès àl’information

2.2.1. L’Open Data comme une mission de service public

Contexte : l’open data pour les transports urbains

Figure 6 Fonctionnement de l'open data (Ville et Transports en Ile de France)



=J

Après avoir compris les grandes lignes du fonctionnement de l’open data, nous nous limiterons à

questionner rapidement : pourquoi ouvrir les données publiques ? Notre réponse pourrait se formuler en

une deuxième question : pourquoi ne pas les ouvrir ? Si ces données ne sont pas sensibles et ne

divulguent pas des informations qui pourraient nuire à quiconque, les pouvoirs publics n’ont aucun intérêt

à restreindre leur accès. Car même si les collectivités territoriales ne saisissent pas directement la valeurd’un jeu de données, prenons l’exemple des données de trafic collectées grâce aux compteurs de

véhicules, ce sera le croisement de données, aussi improbable soit-il, qui aura une véritable valeur. On

parle de croisement de données improbables lorsque l’on croise plusieurs ensembles d’informations qui

n’ont pas de lien avéré entre elles, et qui pourraient donner lieu à des résultats pourtant fortement

instructifs. Il s’agirait par exemple de croiser les flux de véhicules avec les relevés précis de pollution,

croiser les flux de vélos avec l’emplacement des commerces qui se sont installés les dix dernières

années, etc! Aussi, puisque nous abordons l’action publique comme un des moyens de satisfaire

l’intérêt général, nous pouvons voir dans l’open data une réelle capacité de rendre service aux

entrepreneurs, qui auraient accès à une « mine d’information » sur les services, les infrastructures et les

flux de la ville dans laquelle ils souhaitent implanter leur activité.

Open data : limiter la spéculation sur la valeur des données ?

On pourrait se poser la question de l’utilité exacte à long terme de l’open data. La question n’a pas été

encore traitée sous cet angle, mais serait-il possible que l’open data soit une « arme » contre la

spéculation sur les données ? C’est à dire : serait-ce un moyen pour les collectivités territoriales de

garder la main sur les données, en « envoyant un message » aux géants d’internet qui s’en accaparent ?

En 1891, Emile ZOLA, dans L’Argent écrivait: « Oui, demain est aux grands capitaux, aux efforts

centralisés des grandes masses. Toute l’industrie, tout le commerce finiront par n’être qu’un immense

bazar unique, où l’on s’approvisionnera de tout » 77 Cette transition s’est bien confirmée, par la

croissance des échanges, et cette tendance s’est transformée en spéculation dans certains domaines à

différentes périodes de l’histoire. KEYNES, quant à lui disait dès 1926 : « Le risque de prédominance de

la spéculation tend à grandir à mesure que l’organisation des marchés financiers progresse » 78

On argumente dans cette partie que les politiques d’open data tendent à se structurer en même temps

que les groupes privés se saisissent d’une certaine manière d’un maximum de données.

Parfois, l’ouverture des données ne se passe pas comme elle a été prévue à l’origine. Les données

« fermées » restent largement majoritaires au sein de l’ensemble des données existantes. Lors de

l’International Transport Forum, on insiste pour dire à quel point la situation doit évoluer : « The debate

surrounding “open” versus “closed” data access is one that has emerged alongside the development of

JJ XTAO Q# a#\0.$+&9 \C4,/&%21&,R U4,1+R "MH"R /# GH JM oQa]Q` S#Z# LC6',1& ;6%6,4*& .& *3&5/*'1R .& *31%26,n2 &2 .& *4 5'%%41&R f"H=@h u U4b'2R U4,1+R "HM8R /# "JN



=M

Big Data and may prove to be a transitory debate, as data access channels and terms evolve over time.

Ultimately, more flexible and perhaps more modular data terms of use will need to evolve to allow

individuals, authorities and commercial operators to all make the most of Big Data. »79

On peut prendre pour exemple l’incident qu’à rencontré Raildar en juin 2015, une initiative indépendantequi affichait une carte en temps réel des trains en France, prenant en compte les retards annoncés par

SNCF. Le site, ou plutôt l’API dont avait besoin Raildar pour mettre à jour sa cartographie a été déplacé

par SNCF, et les remontées d’informations rendues impossibles.80 Par conséquent, jusqu’en août 2015,

Raildar ne pouvait plus fournir son service. L’ouverture des données n’est pas toujours souhaitée par les

grands groupes, qui peuvent préférer choisir les jeux de données auxquels ils donnent accès ainsi que de

s’approprier (à l’exclusivité) la distribution de ces ensembles de données. De plus, nous l’avons

mentionné lorsque nous avons abordé l’enjeu de propriété des données (Cf. partie 2.1.3) : les grands

groupes comme SNCF ont un intérêt certain à conserver et rendre monnayables leurs masses de

données.

Une déstabilisation volontaire du marché de la donnée ?

En « inondant » les API, et les sites internet, l’ouverture gratuite des données par les structures publiques

a pour effet de déstabiliser le marché de la donnée. L’une des conséquences de l’incertitude en

économie est la baisse des prix dans le marché sur lequel pèse l’incertitude. Dans ce cas, l’incertitude est

représentée par l’imprévisibilité de la nature – gratuite ou payante – d’un jeu de données. Par exemple,

OpenStreetMap déstabilise les acteurs économiques qui ont investi dans les solutions de Google Maps.

Dans un temps réduit, ces investisseurs ont pu se rendre compte que les données cartographiques

pouvaient être produites, traitées et distribuées gratuitement. Cette logique s’applique aussi aux données

de transports (horaires, géolocalisation, flux, etc!) lorsque une entreprise ou une collectivité décide de

distribuer gratuitement des jeux de données. Si ces informations sont en plus traitées (conception

d’applications, ou d’API) gratuitement, les acteurs économiques qui souhaitaient investir eux même pour

traiter puis distribuer les données de façon payante verront leur projet sérieusement concurrencé par un

service public et gratuit.

Mais l’argument d’empêcher la spéculation sur les données de transport par l’open data a deux limites.

La première consiste à dire que les données ouvertes et gratuites n’ont pas la même nature, ni la même

valeur que les données privées et « fermées ». En effet, les données ouvertes auraient un coût de

production peut-être plus faible que les données fermées, car très peu sensibles à divulguer, et faciles à

rassembler puisque ce sont souvent des données « de base » et donc déjà inventoriées dans des

fichiers internes. Selon cette logique, les données ouvertes ne concurrenceraient pas les données

JH W%2&,%421'%4* 2,4%+/',2 0',(5R \',/',42& /4,2%&,+C1/ 7'4,. ,&/',2R 8N"G MN a, VJRd $+C/1$ _,1->,0 ," &$031+"%R V6.4-21'% .& P,&%-C&7R 8N"G



=H

« fermées » ou payantes, il n’y aurait donc pas ou peu d’effet de limitation de la spéculation sur les

données.

La deuxième limite, sans qu’elle remette complètement en cause l’idée de base, porterait sur l’intérêt de

limiter la spéculation sur les données. Bien que tout effet de bulle spéculative soit en théorie négatif, car ilconduit à la faillite des acteurs économiques, on peut se demander si les entreprises ou les collectivités

qui ouvrent leurs données agissent consciemment contre cet effet de spéculation. L’augmentation de la

valeur que l’on accorde aux masses de données est bien réelle, cependant elle n’est pas mesurable et

encore moins qualifiable : c’est à dire qu’il paraît a priori difficile d’évaluer l’externalité de cette

spéculation.

Cette « dévalorisation » des données de transports semble donc être une conséquence de l’ouverture

des données, plutôt qu’une réelle stratégie de lutte contre une spéculation pour l’instant mal identifiée,

même si des groupes privés peuvent ouvrir leurs données dans le but de ne pas « nourrir » des géants

tels que Google avec la valeur de leurs masses de données. Mais l’élément qui ne doit pas être écarté

concerne l’indépendance de ces géants du web tels que Waze, Google Maps et Moovit. Les données

ouvertes et rendues gratuites par les structures de transports n’ont pas une valeur « concurrente » face

aux masses de données récoltées par le biais des (très nombreux) utilisateurs de ces applications.

Les structures qui ouvrent leurs données le font donc pour des raisons bien plus évidentes, comme par

exemple leur image : ce sera l’objet de la partie suivante.

2.2.2. La course à l’ouverture des données :montrer l’exemple

Comme nous l’avons montré en première partie (1.1.3.2), l’open data, par la cartographie collaborative

par exemple, a un effet globalement positif pour les transports urbains. Du moins, l’ouverture des

données ne peut pas donner lieu à des externalités négatives (sauf pour des raisons de non respect des

règles évidentes de sécurité).

Cependant, il s’agira aussi de nuancer l’engouement parfois exagéré pour l’open data, car la technique,

la conceptualisation, ou encore le « design » ont parfois pris le dessus sur l’usage réel.

Le gouvernement pousse à l’ouverture des données

L’open data n’est pas une politique qui s’initie grâce à l’unique bon sens des décideurs des collectivités

territoriales. Il y a non seulement en quelques sortes une « obligation morale » d’ouvrir les données non

sensibles qui pourraient être utiles au développement de projets innovants (ce qui constitue une certaineforme de « bon sens »), mais surtout une « pression » politique qui est orientée dans cette direction.



BN

Depuis 2013, les communes de plus de 3500 habitants sont tenues de publier au format électronique les

informations publiques dont elles disposent. 81 Ces collectivités sont donc légalement « contraintes » à

ouvrir leurs données, et ce pour éviter le risque d’intermédiation par les groupes privés (Cf Partie 2.2.1).

C’est clairement l’ouverture des données de transports qui a été préconisée dans le rapport qui a été

remis au gouvernement le 12 mars 2015.82

Questions d’image et de marketing public

Il va de soi que les acteurs politiques locaux n’agissent pas uniquement sous la pression

gouvernementale et légale, mais qu’ils sont sensés décider selon une vision et une stratégie bien définie.

Lorsque la stratégie voudrait que l’ouverture des données serve à minimiser le risque de d’intermédiation

des géants du web, nous pouvons aussi voir dans l’open data un mouvement « tendance », relativement

bien perçu par l’ensemble des acteurs économiques et politiques.

Les projets d’open data bénéficient d’un fort appui des élus, et font l’objet d’une communication bien

relayée, grâce notamment à la présence de plus en plus remarquable des acteurs publics sur les réseaux

sociaux. Des structures associatives, parapubliques et privées jouent le rôle de relais locaux, en animant

des programmes d’ouverture des données comme les carto-parties, les hackathons, ou encore des

ateliers participatifs et citoyens. Nous évoquons ici les multiples Labs, Fablabs, et autres Fabriques du

numérique qui naissent peu à peu dans les villes de grande taille et de taille moyenne en France. Ce sont

ces structures qui jouissent d’un soutien important de la part de la « classe politique » tout comme des

experts et des usagers des services urbains eux-mêmes.

Des projets superflus ?

Ce que l’on peut appeler comme le « phénomène » OpenStreetMap a ressemblé un grand nombre de

d’utilisateurs, passionnés et professionnels (environ 15000 en France), et a permit de fournir une

cartographie à un niveau de détail très élevé. Parmi la multitude d’éléments qui ont été cartographiés et

entrés dans la base de donnée : les bancs, les cendriers sur la voie publique, les prises électriques. A

priori , il semble complexe d’imaginer des applications futures proposant une cartographie spécialiséedans ces éléments précis. Ce niveau détail peut porter certains à croire, à première vue,

qu’OpenStreetMap est un outil « tendance », et que chaque commune ou collectivité veut en faire

davantage que sa voisine, ou alors que les contributeurs d’OSM composent un milieu de passionnés,

parfois incompris par leurs collègues et relations professionnelles. On dépasse facilement ce stade de

compréhension lorsque l’on effectue une veille assez large sur les innovations qui se développent au

niveau mondial en termes de bases de données.

M"

O( +&1% .& *4 *'1 %lJMcJG= .( "J d(1**&2 "HJMM8 V4//',2 .& P,4%-1+ S$LO]9R .1,&-2&(, +-1&%2101<(& .& *3W%+212(2 .&+ Z1%&+ U4,1+ L&-CR +12& .( Z1%1+2>,& .& *3Q-'*';1&R .(

96)&*'//&5&%2 9(,47*& &2 .& *3Q%&,;1&#



B"

3. Le rôle des acteurs publics des

transports urbains en trois scénar ios



B8

3.1. La régulation publique de la mobilité urbaine

3.1.1. La question de la régulation des transports urbains :

enjeu public

3.1.1.1. La sécurité : fonction régalienne pour les transports

La sécurité des infrastructures : première mission d’un opérateur de transports.

Un élément nous permet d’entrer en matière pour cette partie : les accidents de transports publics,

comme les accidents ou incidents ferroviaires nous rappellent, de façon tragique, à quel point la première

mission d’un transporteur est d’assurer la sécurité de ses infrastructures et matériels roulants. Alors nous

pourrions nous demander si l’économie de la donnée pourrait avoir un impact sur cet impératif. En d’autre

termes : la donnée est-elle devenue assez puissante pour décrédibiliser un opérateur de transports public

(ou semi-public) dans sa capacité à assurer la sécurité de ses voyageurs ?

SNCF, considérée ici comme entreprise publique de transports ferroviaire urbains, place la sécurité des

infrastructures et du service au centre de ses préoccupations. L’accident de Brétigny Sur Orge a marqué

les esprits, et a accru les exigences de sécurité des usagers des transports ferroviaires. Rassurer les

voyageurs en Île de France a été momentanément la stratégie de communication de premier plan. Et

justement, pour apaiser, SNCF communique dorénavant amplement sur sa capacité à améliorer lafiabilité de son réseau par l’innovation.

C’est ici que nous revenons au cœur de notre sujet. Pour maintenir et améliorer la qualité de son

infrastructure (rails, caténaires, aiguillages, passages à niveau), SNCF Réseau a mis au point deux

innovations qui représentent de bons exemples pour répondre à notre question.

La première consiste en un système de surveillance des rails grâce à des drones autonomes. Ces

derniers, grâce à une banque de donnée de référence sur l’état optimal des rails, pourront repérer en

temps réel d’éventuels obstacles sur les voies (végétation gênante par exemple). Ce couple de

technologie « data + high technology », est proposé en partenariat avec une startup : TellMePlus,

spécialiste de l’analyse prédictive. 83

La deuxième innovation est incarnée par le plan « Vigirail », destiné à l’investissement dans les

technologies et des masses de données pour la sécurité des infrastructures. Le plan d’investissement est

sensé se terminer en 2017, et se comprend surtout par le perfectionnement de la remontée des

informations en temps réel, grâce à des applications à double interfaces usagers / cheminots, ainsi que

des caméras haute définition placées sous les trains, permettant ainsi de repérer les éventuelles

M= \]V`R @08>10$ -$% 6$%/1+% >$% (/+%/33,&$"0%R 8N"B



B=

anomalies des rails, par comparaison et en fonction des données préalablement transmises et

analysées.84

Ces deux exemples illustrent bien notre questionnement de base, puisque pour le premier, il s’agit d’un

partenariat avec une startup qui permet à SNCF d’innover en développant (par l’externe) une solution deremontée des données, alors que le deuxième projet montre que l’opérateur public sait aussi développer

des solutions en interne. Nous pourrions répondre a priori que les entreprises publiques ont tout intérêt à

effectuer une veille sur les innovations qui sont au cœur de leurs priorités, comme ici la sécurité des

infrastructures. Cette stratégie est valable pour les AOT, et les délégataires, qui ont eux aussi pour

mission d’assurer la sécurité de leurs usagers. Ne pas s’intéresser à ce que permet la donnée en termes

de maitrise de la sécurité pourrait être dommageable, voire préjudiciable pour les équipes de gestion des

transports urbains : il leur serait reproché d’avoir manqué à l’obligation de moyens qui leur est imposée

pour assurer la sécurité des voyageurs. Cet impératif « d’intelligence » dans la conception des transports

urbains sera l’objet d’une dernière discussion (Cf. partie 3.3.3.)

La sécurité des données personnelles : une prise en compte impérative

La sécurité ne se résume pas à la gestion responsable des infrastructures. Avec la montée en puissance

de l’utilisation de la donnée à tous les niveaux par les opérateurs de transports, ces derniers seront tenus

de sécuriser ces données, et surtout les données personnelles.

Le rapport de l’International Transports Forum de 2015 précise par exemple : « Other advances could

include protocols allowing for citizens to control and allocate rights regarding their data. » 85 C’est à dire

que l’avancée des TIC, et la réutilisation massive des données personnelles posent la question du droit

d’accès et de rectification de leurs propres données. Le même rapport ajoute : « Failing to ensure strong

privacy protection may result in a regulatory backlash against the collection and processing of location

data. This could hamper innovation, reduce consumer welfare and curb the social and economic benefits

the use of such data delivers. »

Le rôle des AOT et plus généralement des acteurs publics, dans ce scénario où ils restent « dominants »dans la gouvernance des mobilités, sera alors d’assurer la protection des données personnelles, au

risque d’échouer totalement dans leur tentative de faire progresser les transports urbains grâce aux TIC.

Une autre importance de la sécurité des données comprend l’usage concret qui peut en être fait : « To

give an example: A car senses a slippery stretch of road and slows down. It warns the vehicles around it

that it is slowing down and the road is slippery. The infrastructure also receives this message. The road

operator spreads the warning further and looks into causes and remedies to the situation. How do the

MB YQAAT a# r1.10,1-9 *",+> -$ Y1. >,&, %$ 3$& ," %$0C1($ >$% C/1$% A$008$% A0,+q,1%$%R A&+ Q-C'+R 8N"B MG W%2&,%421'%4* 2,4%+/',2 0',(5R \',/',42& /4,2%&,+C1/ 7'4,. ,&/',2R 8N"G



BB

road operator and the other cars know that this message has not been sent from, say, a non-C-ITS

device on the roadside or the source of the message has been hacked? Furthermore, the individual

motorist has to be sure that no movement can be tracked by unauthorised actors » 86

Cet exemple illustre la possibilité de hacker les données issues des systèmes automatiques detransports. Et justement, l’acteur public, s’il est chargé d’un système de transport, sera réellement

pertinent pour assurer cette mission de sécurité, à la fois car il aura conçu un système sûr, et parce qu’il

veillera à la sécurité de celui-ci de façon constante.

Nous pouvons appuyer cet argument avec le fait que les autorités publiques sont les seules à être

mandatées pour accéder aux données personnelles : « Under both data ownership frameworks, public

authorities will likely continue to be mandated to provide essential services. In this context, much as

public authorities have coercive ability to require access to personal data (e.g. on property ownership,

personal revenue, criminal records)».87

3.1.1.2. Penser global pour gérer la ville

Construire des métadonnées pour fabriquer la ville

L’autre point qui détermine l’action publique à être un acteur majeur des transports urbains consiste à

défendre l’idée qu’il faille penser globalement pour pouvoir gouverner la ville. Cela revient à dire qu’un

acteur publique « unifié » et « homogène » dans son action aura une efficacité plus probante dans la

gestion des transports urbains, car il sera le mieux placé pour proposer une politique globalement

adaptée à l’échelle de son territoire. Cet argument, plutôt centralisateur, défendant une politique top-

down, doit se circonscrire au contexte de notre sujet. Nous entendons ici le fait qu’une gestion centralisée

des données, ou plutôt des métadonnées nous paraît être un mode de fonctionnement pertinent : tant au

niveau de l’échelle de gouvernance (centralisation des métadonnées sur un ensemble territorial

cohérent), que de la légitimité d’un tel système de collecte des données (neutre et public, visant à servir

l’intérêt général).

Si la gouvernance des transports urbains reste largement « dominée » par des instances publiques,

l’économie des données servira principalement les AOT, les régies de transports ainsi que les politiques

publiques elles-mêmes. Les données confirmeront ou infirmeront les choix politiques ou techniques de

transports urbains grâce à la géolocalisation des flux par exemple.88

M@ W%2&,%421'%4* 2,4%+/',2 0',(5R \',/',42& /4,2%&,+C1/ 7'4,. ,&/',2R 8N"GR /# G@ MJ

W%2&,%421'%4* 2,4%+/',2 0',(5R \',/',42& /4,2%&,+C1/ 7'4,. ,&/',2R 8N"GR /# GH MM IQaQV \# VTaT$j 9# a, 3$%"0$ >$% &$3D/0,-1&8% &$001&/01,-$% X ,DD-1(,&1/+% $& +/"C$,"g >8A1% c a#,(&1/+ D"6-1*"$ A,($ ,"

&$3D% >$ C1C0$ f/# "@H u 8N"hR 8N"=



BG

Dans ce cadre, les données serviront à deux outils essentiels au développement des transports urbains :

l’analyse et la prédiction. La construction des métadonnées sera donc un passage indispensable pour la

fabrique de la ville, par la planification des mobilités.

Analyser les données historiques pour réfléchir au futur

En ce qui concerne l’analyse des mobilités, les métadonnées sauront servir à imaginer les grandes lignes

du développement urbain futur. Une telle fonction se prête très bien au développement des grandes

métropoles des pays à forte croissance. L’analyse des flux, des déplacements de populations dans

l’histoire, croisée aux informations démographiques permet déjà de prévoir les grands projets urbains. On

ne peut croire qu’au recours de plus en plus important à l’analyse des masses de données à l’avenir,

grâce au rapide accroissement du taux d’équipement en smartphones dans certains pays d’Afrique et

d’Asie ainsi qu’à la très forte croissance de l’économie de la connaissance dans ces même régions du

monde. Surtout, les techniques actuelles de représentation (data visualisation, 3D, etc!) sont à la fois

plus simples à manipuler, plus abordables, et permettent de mieux en mieux de modéliser des

phénomènes complexes.

Prévoir les flux pour générer des solutions

Le coût annuel des embouteillages en France est évalué à 22 milliards d’euros en 2030. 89 Selon la même

étude, le coût par parisien s’estime à 2883 euros contre 4123 euros en 2030, (soit une hausse de 51%).

Ce coût global, ainsi que l’impact des encombrements routiers sur l’environnement alertent les pouvoirs

publics, et les collectivités territoriales sont demandeuses de solutions pour réduire cette contrainte. La

circulation routière est de plus en plus gérée automatiquement : par les feux de circulation d’une part, qui

sont de plus en plus adaptés aux temporalités et aux conditions de trafic, et par les applications

smartphones d’autre part. En effet, les GPS intègrent aujourd’hui les informations de trafic en temps réel,

et ils permettent aux conducteurs d’éviter les zones encombrées. Nous l’avons vu dans une partie

précédente, (Cf. partie 1.1.1.2) Waze fournit aux collectivités des connaissances très pointues sur les fluxautomobiles. Et ce sont ces connaissances que les villes peuvent directement utiliser pour fabriquer la

ville : percer de nouvelles artères, redéfinir les sens de circulation, ajouter, modifier, supprimer des lignes

ou même des moyens de transports en commun, etc! Nous observons ici la pertinence de l’acteur

public au centre de ce processus de fabrique de la ville. Il centralise les données collectées par

différentes structures pour décider démocratiquement de l’usage qui doit en être fait, nous l’avons

expliqué dans la partie 2.1.2.

MH W]VWjR \&%2,& 0', Q-'%'51-+ 4%. I(+1%&++ V&+&4,-CR 8N"B



B@

Figure 7 Modélisation comparative des trajets réalisés avec Uber lors d'une grève des employés du

gouvernement à Washington (UBER Blog)

Aménagement ou déménagement des territoires ?

Nous avons pu concevoir combien la donnée intègre les outils de la fabrique de la ville, grâce à ses

capacités de modélisation et sa propension à représenter graduellement de plus en plus de phénomènes

urbains. La donnée opère de ce fait au service de l’aménagement des territoires. C’est aussi ce

qu’affirme Evelyne REEVES, responsable du bureau des temps de la ville de Rennes, en nous parlant de

l’impact du numérique et des données géolocalisées sur les pratiques d’aménagement futures. 90

Mais pourrait-on dire qu’elle contribue aussi à les déménager ? Yves CROZET défend cette idée selon

laquelle l’augmentation de la vitesse des déplacements contribue à « déménager » les territoires, en

repoussant continuellement les limites de l’étalement urbain.

Or « Pour certains91, la taille effective du marché de l’emploi est un indicateur de « bon gouvernement »,

dans la mesure où, indirectement, il s’agit d’un indice de performance des réseaux de transports ».92

HN VQQrQ` Q# \C$( -$ +"3801*"$9 D-"% >$ &$3D%9 D-"% >$ %&0$%% 4 U0.$+($% `$3D/0$--$%9 a#,(&1/+ D"6-1*"$ A,($ ," &$3D% >$

C1C0$ f/# =" u =JhR 8N"= H"

9OVIQVO V# `2$ 3,0L$& $AA$(&1C$ %1e$ X , (01&$01/+ A/0 (/3D,01+. &0,+%D/0&% %G%&$3% $AA1(1$+(G 6$&K$$+ 3$.,'(1&1$%RQ(,'/&4% L,4%+/',2+ P',(5R "HHG H8 Q`LQIQ U# F/"C$0+$0 -, C1--$ 3/61-$R U,&++& $%1)&,+1241,& .& P,4%-&R U4,1+R 8NNM



BJ

Cependant, nous pouvons affirmer que la réduction des embouteillages (grâce à la maitrise des

données), contribue indirectement à l’étalement urbain, et donc au final à un coût supérieur pour la

collectivité (densité des réseaux électriques, hydrauliques et télécom plus faible et plus vulnérables, voirie

plus importante donc plus coûteuse, recours à la voiture individuelle et déplacements plus nombreux

donc plus de pollution).

3.1.1.3. Assurer l’infrastructure

Pour mieux cerner le rôle des acteurs publics des transports urbains, nous devons nous écarter

brièvement de l’enjeu des données. Car si l’économie de la donnée donne naissance à de nouveaux

acteurs, de nouvelles solutions de mobilité, l’action publique a quant à elle toujours une marge de

manœuvre pour ce qui est des infrastructures de transports. De plus, toutes ces nouvelles solutions de

mobilité se servent de ces infrastructures.

L’investissement public dans l’infrastructure

Il apparaît que l’acteur public soit incontestablement sollicité pour investir massivement dans les

infrastructures routières et ferroviaires. « Tous les gouvernements sont confrontés au défi d’entretenir de

vastes réseaux d’infrastructures de transports et d’ajouter de nouvelles capacités en des zones

stratégiques. Cela nécessite de très gros investissements ».93 Non seulement ce sont la plupart du temps

les Etats qui ont été à l’initiative des grands projets de construction (le TGV et les autoroutes en Francepar exemple), mais de ce fait, il est difficile d’imaginer des groupes privés capables de décider d’assurer

l’aménagement de telles infrastructures de façon complètement démocratique, dans le sens de l’intérêt

général et dans le seul but d’améliorer la desserte en transport pour les territoires.

Là où l’on pourra sans doute déléguer la gestion et la maintenance des ouvrages à des entreprises, de la

même manière que les autoroutes ont été concédées à Vinci, il sera beaucoup moins évident d’attribuer

la conception, la décision du tracé ou encore la budgétisation des infrastructures régionales ou nationales

à ces groupes privés. Ceci peut s’illustrer par le rapport de l’OCDE sur les investissements en

infrastructures : « Les partenariats publics privés (PPP) ont beaucoup attiré l’attention au cours de ces

dernières années. Conçus de manière appropriée, les PPP ont la possibilité de permettre des gains

d’efficacité importants en transférant la responsabilité de la gestion des coûts à court terme à des

organisations privées qui sont intrinsèquement motivées pour réduire les coûts globaux en recherchant

des bénéfices, y compris par des innovations. »94

H= T\9QR W%2&,%421'%4* L,4%+/',2+ P',(5R B+C$%&1%%$3$+&% $+ 1+A0,%&0"(&"0$% >$ &0,+%D/0&% X C$0% D-"% >#$AA1(1$+($R 8NNM

HB T\9QR W%2&,%421'%4* L,4%+/',2+ P',(5R B+C$%&1%%$3$+&% $+ 1+A0,%&0"(&"0$% >$ &0,+%D/0&% X C$0% D-"% >#$AA1(1$+($R 8NNM



BM

Toutefois, plusieurs chercheurs et ingénieurs95 se posent la question de l’utilité de la construction de

nouvelles infrastructures. Nous avons atteint, selon eux, un maximum de capacité de déplacements

grâce aux constructions existantes, il suffit désormais de les rentabiliser au maximum et d’optimiser

l’investissement à la fois en maintenance et en construction de nouvelles voies routières ou de ou

chemins de fer. C’est ce qui nous conduit vers notre deuxième point.

Startups et nouveaux acteurs se basent sur les infrastructures existantes

Justement, s’il s’agit d’utiliser l’existant pour optimiser les coûts, les startups et les nouveaux acteurs des

mobilités l’ont très bien incorporé dans leur stratégie de développement. En effet, la donnée leur permet

d’investir sur l’interconnexion entre les solutions de mobilité, et non sur l’infrastructure elle même. (Voir le

graphique qui met en relation Chiffre d'affaires - Effectif – Taille de la clientèle en partie 3.3.3). Plus

précisément, les startups n’ont ni les moyens, ni l’objectif de se baser sur de l’infrastructure lourde pour

se développer. C’est aussi le sens de leur existence : les startups « partent de zéro ».

Nous distinguons ici un rôle précis des acteurs publics : réaliser, concevoir l’infrastructure, puisque ce ne

sont ni les groupes privés de grande envergure qui se chargeront de leur conception et construction, ni

les PME ou startups, qui ne pourraient sûrement pas en assurer l’entretien ou la gestion.

3.1.2. L’interopérabilité des données : vers l’intérêt général

3.1.2.1. Combien de solutions de mobilité, combien de données

Si l’on se pose la question de l’interopérabilité96 des données, c’est parce que les solutions de mobilités

se sont multipliées dans le temps. De la marche à pieds combinée au rail après la révolution industrielle,

nous avons peu à peu inventé un grand nombre de modes de transports urbains, avec l’arrivée de la

voiture individuelle, l’ensemble des transports en commun, puis aujourd’hui le vélo en libre service,

l’autopartage, le covoiturage et les nouveaux usages collaboratifs basés sur un réseau d’individus. C’estbien pourquoi désormais les usagers sont assurément en demande d’une information harmonisée, au

risque d’isoler les pratiques de déplacements et de se priver des possibilités qu’offre l’intermodalité

(meilleure desserte, optimisation des infrastructures, etc!).

Même dans un scénario où l’acteur public reste majoritaire dans la gouvernance de la production et de

l’exploitation des transports urbains, il est impossible d’exclure les offres de mobilité que nous aborderons

dans les deuxième troisième scénarii (covoiturage, autopartage, véhicules autonomes, VTC, etc..) Et

HG 9'%2 a)&+ \VTXQL f`-1&%-&+ U' Ab'%hR UTLLQV I# fPZWR T\9Qh H@ W%2&,'/6,471*126 D r'1, *&K1<(& &2 47,6)1421'%+



BH

justement, l’acteur public, s’il continue à organiser les mobilités urbaines, devra faciliter l’accès à

l’ensemble de ces solutions en harmonisant les données permettant aux usagers de prévoir leurs trajets.

Bien que ces derniers soient de plus en plus autonomes dans la prévision et la gestion de leurs

déplacements (ce que nous aborderons dans le deuxième scénario), la multimodalité exige désormais laprésence d’un acteur qui structurera les données pour construire un réseau, ce sera l’objet de la partie

suivante.

3.1.2.2. Harmoniser les données pour construire un réseau

Indubitablement, le rôle des AOT et des acteurs publics en général sera d’assurer l’interopérabilité entre

ces données de transports devenues multiples et difficilement lisibles dans leur globalité.

Lors de l’International Transport Forum (2015), il a été rapporté : « Transport authorities will need to

ensure an adequate level of data literacy for handling new streams of data and novel data types.

Ensuring robust and persistent metadata with harmonised provenance will facilitate data usability audits.

Big Data is often not clean. Lack of data quality may mean significant upfront costs to render the data

useable. This should be factored into decision making processes. »97

Nous parlons ici d’interopérabilité : si l’on souhaite que les données soient réutilisables par tous, ce dont

nous avons expliqué l’intérêt en 2ème partie, une étape intermédiaire sera indispensable pour harmoniser

le format de ces données. Là est le rôle des autorités de transport, et échouer à ce niveau reviendrait à

cloisonner, compartimenter un système de transports urbains entier. C’est un des défis qu’auront à

relever les AOT : décloisonner, supprimer les intermédiaires entre les données et par conséquent, entre

les modes de transports.

Outre la capacité des organisateurs publics des mobilités à harmoniser les données, elles devront rendre

ces dernières encore plus accessibles qu’elles le sont aujourd’hui. Quand une carte des transports

(métros, tramways, bus) disposée à un arrêt de bus pouvait suffire à l’ensemble des usagers qui

souhaitaient se déplacer, il faut aujourd’hui une application ou un ensemble d’écrans d’informations qui

intègrent une visualisation, une lisibilité globale de toutes les possibilités et offres de transports (vélos en

libre service, transports en commun covoiturage, VTC98, autopartage, etc!).

« To promote universal access and shareability, visualisations should be able to be exported and

distributed in a number of formats, from pictures to videos orweb pages. Interactive tabletops and large

interactive displays are more likely to appeal to novice users (Benko, et al., 2009) and attract attention in

public spaces. (Isenberg, et al., 2010) The shareability of the visualisation platform itself becomes equally

HJ

W%2&,%421'%4* 2,4%+/',2 0',(5R \',/',42& /4,2%&,+C1/ 7'4,. ,&/',2R 8N"G HM rL\ D r6C1-(*& .& 2'(,1+5& 4)&- -C4(00&(,R '( 24K1 -'554%.6 /4, *& 7141+ .3(%& 4//*1-421'% 5'71*& '( .3(% +12&

1%2&,%&2



GN

important as it allows for smart integration with other platforms like government web portals. It also allows

new modules to be added by third parties in an open-source environment. » 99

En plus de l'expression du besoin d’ergonomie, on notera aussi la référence à l’open source, ou

crowdsourcing , donnant la possibilité aux usagers d’ajouter de nouvelles offres de déplacement (les leurs

par exemple, en proposant des places de covoiturage), mais aussi des solutions qui n’ont pas encore étéajoutées à la cartographie des transports en commun (station de vélos en libre service, nouveau mode de

déplacement comme l’autopartage du type TripnDrive, etc!).

3.1.2.3. Informer sur les mobilités : une mission de service public

Rester neutre dans l’information (cf centraliser la donnée)

L’un des premiers rôles de la puissance publique, tout comme la sécurité des infrastructures dont nous

avons discuté en partie 3.1.1.1, consiste en l’assurance de la transparence de la provenance des

données. Lors de l’International Transports Forum de 2015, il a été exprimé : « Transparency regarding

the nature of data and the conditions under which it was collected is crucial for data-driven transport

policy making. In this respect, the initial recording and subsequent preservation of metadata plays an

essential role in enabling data interpretation and re-interpretation. »100

De plus, la centralisation des données, que nous avons abordée préalablement sous l’angle de la

neutralité et de la qualité, permet de fournir un accès unifié à l’information. C’est à dire que fabriquer un

moteur de recherche qui centralise toutes les solutions de mobilité pourrait être un objectif pertinent pour

un service public. En centralisant l’information, en garantissant sa neutralité et sa qualité, les AOT et les

collectivités assureraient une mission supplémentaire d’accessibilité de l’information. Si la

décentralisation de la donnée a eu lieu (Cf. Partie 3.1.2.1, Combien de solutions de mobilités, combien de

données), il sera nécessaire de disposer d’un index centralisé.101 L’existence du moteur de recherche

Google, ou GitHub se justifie par cette capacité à fournir un annuaire où l’on rassemblera toutes ces

données dont la production a été décentralisée.

HH

W%2&,%421'%4* 2,4%+/',2 0',(5R \',/',42& /4,2%&,+C1/ 7'4,. ,&/',2R 8N"G

"NN W%2&,%421'%4* 2,4%+/',2 0',(5R \',/',42& /4,2%&,+C1/ 7'4,. ,&/',2R 8N"G "N" AOVAQL 9# a$% /"&1-% 3,+*",+&% >$ -#5D$+ ],&,R 8N""



G"

L’Exemple d’Optimod à Lyon et de Breizh Go en Bretagne

Optimod est un projet à objectifs multiples :

c Connaître en temps réel le trafic urbainc Calculer les vitesses de parcours en temps réel

c Connaître à l’instant la disponibilité des places de stationnement

c Offrir un point d’accès unique à toutes les données sur la mobilité dans le Grand Lyon

c Visualiser l’accessibilité du territoire en temps et en euros

c Prévoir le trafic à une heure : « Le calculateur d'Optimod'Lyon, nourrit de près de 20

millions de données par jour, fournit une information en temps réel à laquelle s'ajoutent des

informations prédictives à une heure sur le trafic routier. »102

c Connaître toute l’offre de mobilité pour aller d’un point A à un point B dans l’agglomération

c Améliorer la connaissance sur le fret urbain103

On remarque ici l’intérêt de centraliser la donnée, pour donner une information fiable (objectif de

prévision du trafic à une heure) à la fois aux usagers à travers l’application mobile et aux experts des

mobilités qui analyseront ces données. Il s’agit ici d’un partenariat public privé : « réunissant des grandes

entreprises, des PME, des laboratoires et le territoire du Grand Lyon »104 et financé par des structures

publiques « Optimod’Lyon représente un budget global de 7 millions d’euros, cofinancé par l’ensemble

des partenaires et l’État ».105

Quant à Breizh Go, il s’agit d’un calculateur d’itinéraires multimodal, produit et financé par la Région

Bretagne, à destination des usagers des transports. Ce projet est un des premiers en son genre en

France, puisqu’il a su intégrer à l’échelle régionale les solutions de transports urbains (notamment les bus

de Rennes et de Brest, ainsi que les vélos en libre service de la ville de Rennes). Nous ne pourrons

qu’évoquer l’avantage d’une telle démarche, visant à faciliter l’accès à l’information en la centralisant sur

un seul « portail de données ». Le challenge, sera quant à lui de générer du trafic internet pour

« rentabiliser » d’une certaine manière l’investissement public dans le projet, grâce à une bonne

communication externe et une coordination efficace des acteurs publics (et privés) des mobilités.

"N8 rWQ]]QL V# 5D&13/> aG/+ X -, D0$31m0$ ,DD-1 >$ 3/61-1&8 3"-&13/>$9 $+ &$3D% 08$- $& D08>1(&1C$ R Z'71*1-126+R 8N"G "N= `&*'% *4 .&+-,1/21'% .( /,'d&2 &% *1;%& .( /,'d&2 TULWZT9R -'%+(*26 *& 8NmNMm8N"GR .1+/'%17*& ? *34.,&++& D

C22/Dmm___#'/215'.*b'%#-'5"NB O9QZQR 8"#NG#8N"G f&% *1;%&hR .1+/'%17*& ? *34.,&++& D C22/Dmm___#/,&++&#4.&5&#0,m8N"GmNGm'/215'.*b'%c

*4%-&5&%2c.&c*4//*1-421'%#C25*"NG O9QZQR 8"#NG#8N"G f&% *1;%&hR .1+/'%17*& ? *34.,&++& D C22/Dmm___#/,&++&#4.&5&#0,m8N"GmNGm'/215'.*b'%c

*4%-&5&%2c.&c*4//*1-421'%#C25*



G8

3.2. Les transports urbains à l’heure de la multitude : lesstartups « détiennent » les mobilités urbaines

Charles Coquelin, au milieu du XIX siècle exprimait : « La concurrence est donc, en effet, au sein des

sociétés humaines, le véritable mobile du progrès. Supprimez ce stimulant nécessaire ; à l’instant, le

mouvement se ralentit, l’activité s’éteint, le progrès s’arrête. » 106

Si on comprend cette affirmation par son opposition à toute situation monopolistique, nous retiendrons

surtout que nous sommes à l’heure du choix, de la concurrence, de la compétition. L’ère de l’instant,

l’époque de l’intuitivité a placé l’usager des transports urbains au centre des politiques de transports.

L’enjeu n’est plus de déplacer une masse (X) d’un point A à un point B, mais des individus singuliers de A

à Z. C’est à dire qu’à la fois nous en savons plus que jamais sur la façon dont les populations se

déplacent, ce qu’elles font, et où elles sont, mais aussi que les individus qui composent ces populations

ont des usages très différents, surtout en zone dense, où tous les modes de déplacements se côtoient.

Dans ce scénario, nous partirons du postulat que les mobilités urbaines vont être de plus en plus

confiées à des startups et petites entreprises, jusqu’au point où celles-ci détiendront une part majoritaire

de l’exploitation des transports en commun dans les villes (autopartage, covoiturage, solutions en libre

service et applicatives). Nous tenterons de réfléchir à l’impact qu’aurait la donnée dans l’émergence

d’une telle configuration, mais aussi quel rôle les pouvoirs publics devront « assumer » ou « assurer »

pour fournir un service public et/ou gérer les éventuelles externalités du marché des mobilités urbaines.

De l’automobile au métro, du vélo partagé aux applications de taxis, les solutions de mobilité urbaine sont

désormais multiples. Nous sommes arrivés à « l’âge de la multitude107 », l’heure où l’économie se base

sur les individus, sur leur capacité à être connectés entre eux, à partager, et de moins en moins sur

l’habileté des grandes industries à imposer leurs biens. Des startups s’emparent rapidement de ce

marché fondé sur le partage des solutions de mobilités : covoiturage et autopartage en tête, et les

collectivités observent le phénomène prendre de l’ampleur. Que devraient-elles faire ? Quel est leur rôle,

face à cette dynamique, où les startups et PME peuvent organiser les déplacements des habitants ? Les

données sont, dans ce scénario, totalement décentralisées dans leur production et dans leur traitement :les acteurs publics pourraient ils par exemple, se charger de leur distribution ?

"N@ \Tk$QAW] \# \'%-(,,&%-&R ]1(&1/++,10$ >$ -#8(/+/31$ D/-1&1*"$R \'<(&*1% &2 ^(1**4(51% f6.hR 2'5& "R ^(1**4(51%R

U4,1+R "MG8R / BGN "NJ \TAW] ]# rQV9WQV YR a#s.$ >$ -, 3"-&1&">$9 $+&0$D0$+>0$ $& ./"C$0+$0 ,D0m% -, 08C/-"&1/+ +"3801*"$R O,54%. \'*1%R

8N"8



G=

3.2.1. L’usager des transports urbains, désormais « maître deses déplacements »

L’usager des transports urbains se passe de plus en plus de l’aide des AOT, à la fois dans ses pratiques

de déplacements et dans la prévision de son itinéraire.

L’usager se déplace « tout seul »

L’arrivée d’un grand nombre d’acteurs de la mobilité a fait émerger des solutions de déplacements

urbains. Il s’agit particulièrement :

c de l’autopartage, avec à Paris Autolib ou encore Bluely et Citiz à Lyon,

c du covoiturage, avec les startups Sharette, et Karos

c de la location de véhicules entre particuliers avec TripnDrive, Ouicar et Drivy.

Ce renouveau de l’offre en transport suit une tendance générale à la diversification des pratiques de

déplacements que nous avons pu connaître avec le succès du vélo en libre service (Vélib à Paris, Vélov

à Lyon, etc!) ; la mode de la trottinette, tout comme l’incitation à la marche à pieds (en disposant des

panneaux d’indications de distance / temps à pieds dans les villes). Cette diversification des usages et

des « routines » a été largement voulue par les pouvoirs publics, qui ont également pour mission la

réduction des émissions de gaz à effet de serre en décourageant l’emploi de la voiture individuelle.

Parfois perçue comme une forme de « concurrence » aux transports en commun, comme lors de l’arrivée

du Vélov à Lyon, ces nouvelles solutions de mobilité, bien que complémentaires à l’offre publique de

transports urbains, poussent de plus en plus d’individus à se déplacer par leurs propres moyens. En

pratique, si les usages vont dans le sens de l’autopartage et du covoiturage, ce seront progressivement

eux les « maîtres à bord » et non les conducteurs de bus, de tramway et de métro.

Mais en réalité, ces offres de déplacement « en solo », où l’usager est partie prenante, en quelques

sortes de l’AOT lors de son trajet, sont relativement minoritaires. Le développement de ces solutions

aujourd’hui très secondaires en termes d’usage réel se fait dans un système à double mesure : d’une part

les usagers des transports en commun qui ne sont pas susceptibles de changer leurs pratiques (absence

de permis de conduire par exemple), et d’autre part ceux qui n’hésitent pas à innover dans leurs usagesen changeant leur « routine » pour tester et adopter de nouvelles solutions de déplacements.

L’usager prévoit lui-même ses déplacements

La diversification des offres de mobilité, tout en déplaçant, transformant le rôle des AOT, a aussi donné

lieu à des pratiques différentes des individus dans la prévision de leurs déplacements. Le smartphone est

devenu l’assistant pour tous les trajets : il est GPS pour la conduite automobile ou la marche à pieds, il

devient aussi application de recherche et d’optimisation d’itinéraires plus « malins ». Grâce à cet outil, le

citadin qui souhaite se déplacer sait dans l’instant à quelle heure passe le prochain bus, où il doit



GB

effectuer une correspondance et à quelle heure il arrivera, et ce, sans la moindre assistance extérieure.

C’est à dire que les terminaux portables (smartphones, tablettes, montres connectées) deviennent

graduellement l’unique source d’information en temps réel pour les individus. Ceci pose la question de

l’investissement dans les systèmes d’information pour les voyageurs (écrans, panneaux d’affichage,

etc!

), puisque l’usager des transports en commun se passe de plus en plus instinctivement desinformations « extérieures » ou « physiques », provenant des AOT.

L’ergonomie plus importante que la donnée ?

Aborder l’aspect ergonomique de la donnée présente un intérêt, car en effet, si les AOT fournissent les

informations sur le trajet du tramway par exemple, ou sur trafic en temps réel directement sur des écrans

physiques dans les transports en commun, c’est pour une question d’ergonomie et donc d’accessibilité.

Quelle est la valeur de la donnée si elle n’est accessible, lisible, ou même attirante pour personne ? C’est

là que nous rejoignons à nouveau la question des startups, qui ont incontestablement cerné l’enjeu. Le

fait que les urbains prévoient aujourd’hui leurs itinéraires par leurs propres moyens, et qu’ils ont, et

veulent avoir le choix parmi les différents modes de transports requièrent une grande adaptabilité des

solutions logicielles prévues à cet effet. C’est ainsi qu’ont « fleuri » les multiples sites dédiés à la

prévision d’itinéraires, que sont MyTripSet, Mappy, et les applications plus complexes comme Moovit,

Google Maps / Transports et Waze.

Par « adaptabilité », nous entendons surtout « ergonomie », puisque l’une des attentes principales des

usages mobiles est la rapidité d’accès, mais encore la facilité d’utilisation et la pertinence de la réponse

apportée à l’utilisateur. On dénomme communément ces exigences nouvelles par le terme

d’ « expérience utilisateur ». Concrètement, lorsqu’un piéton se demande s’il est préférable de prendre le

bus qui arrive dans la minute plutôt que de marcher jusqu’au prochain arrêt de métro, il souhaite savoir

immédiatement laquelle des solutions lui prendra le moins de temps. De plus, consultant souvent son

smartphone dans la rue ou déjà un transport en commun, l’application qu’il utilisera devra présenter

l’information de façon claire et absolument intuitive. C’est ainsi que le couple intuitivité / rapidité forme

l’ergonomie dont les usagers sont en demande. Toutes les startups de covoiturage, d’autopartage ou tout

simplement d’information aux voyageurs l’ont intégré, et les autorités de transports sont clairementvolontaires pour satisfaire ce même besoin. L’ergonomie est donc ici presque aussi importante que la

donnée elle-même : ne pas la considérer, c’est revenir au temps où internet existait à peine, lorsqu’il

n’avait pas encore bouleversé les usages.



GG

3.2.2. Des partenariats avec les startups déjà à l’œuvre

Le partenariat Sharette - RATP

Un exemple intéressant de partenariat entre une startup et une grande entreprise de transport est celui

qui a été signé entre RATP et Sharette, une startup de covoiturage. En été 2015, la ligne de RER A fut en

partie fermée pour cause de maintenance, et le partenariat est né de cette situation, RATP souhaitant

proposer une alternative pour ses voyageurs. Nous pouvons avancer qu’il s’agit là encore de l’économie

des données, puisque par cette collaboration, RATP accède aux données de Sharette, c’est à dire les

trajets mis en ligne par les utilisateurs de cette application.

Quant à la startup de covoiturage, elle a accès aux données publiques de SNCF et RATP (les horaires

réguliers), sans pour autant avoir obtenu l’autorisation de se servir des données en temps réel pour

signaler des incidents et retards éventuels.108

Lyon Urban Data et TUBA

Un des objectifs de la stratégie « Grand Lyon Métropole Intelligente », via le projet Lyon Urban Data, est

la co-création de services territoriaux innovants. Quant à TUBA, c’est un lieu d’échange et de partage, où

peuvent justement se rencontrer acteurs privés, publics, et universitaires autour de projets novateurs.

En ce qui concerne les partenariats entre les entreprises publiques de transports ou les AOT et les

startups, Christian LEFEVRE, dans son ouvrage Gouverner les métropoles, explique : « En Grande

Bretagne, l’ouverture au secteur privé est aussi pour l’Etat un moyen de garder la main sur les politiques

urbaines tout en réorganisant les systèmes d’acteurs locaux » , avant d’ajouter qu’il décrit là « ce que les

Britanniques appellent une enabling authority, c’est à dire une collectivité qui permet que l’action

collective se fasse mais qui ne prétend pas la faire, ni a fortiori la faire seule. »109

On comprend ainsi dans quelle démarche ces partenariats se font : soit par simple objectif de

collaboration, de mutualisation des connaissances et surtout d’expérimentation, soit par pure nécessité,

puisque les acteurs publics admettront d’eux même ne pas être capables de tout organiser de « nos »

mobilités.

En matière de données, il existe une startup qui s’est associée en partenariat avec plusieurs collectivités,

dont Caen, Nantes, Strasbours, Bordeaux, Rennes et Toulouse. 110 SoyHuCe propose en effet d’analyser

des masses de données pour proposer des solutions aux citoyens par le biais d’applications adaptées

aux collectivités.

"NM

AQ^VT` \# V2,0$&&$ (/361+$ (/C/1&"0,.$ $& &0,+%D/0&% $+ (/33"+R A& Z'%.&R 8N"G

"NH AQPQrVQ \# F/"C$0+$0 -$% 38&0/D/-$%R U'*121<(&+ A'-4*&+R U4,1+R 8NNHR /# GH ""N YT9T$W] Z# a, %&,0&"D >" 7/"0 X V/Gf"R$ "&1-1%$ -, >,&, D/"0 ,38-1/0$0 -$% &0,+%D/0&% "06,1+%R P,&%-C_&7R 8N"B



G@

Une autre startup aura retenu notre attention : Snips a mis au point l’application Tranquilien, qui permet

de « prédire » l’affluence dans les trains de la région parisienne. « Grâce à un algorithme, les prévisions

s'étalent jusqu'à trois jours. Les utilisateurs sont également incités à contribuer, en indiquant le taux de

remplissage dans leur train. "Nous sommes dans une logique où ordinateur et humain travaillent

ensemble, précise l'entrepreneur. Le système informatique est la première brique, et les utilisateurscorrigent et améliorent le tout." »111

A travers ces exemples, nous constatons le positionnement des startups comme des intermédiaires entre

les citoyens, les usagers des transports et l’action publique. Etant de plus en plus choisies pour des

partenariats public-privés, nous pourrions penser que les startups ont parfaitement intégré le mode de

fonctionnement des individus, et pleinement compris la demande en transports.

Les startups et leur accès aux données publiques

Les partenariats existants peuvent donner lieu à quelques confusions cependant. Nous l’avons vu avec le

partenariat Sharette – RATP. Nous pouvons autrement illustrer un des problèmes que peuvent rencontrer

les collectivités territoriales dans leurs partenariats avec les startups à travers l’exemple de La Roue

Verte, un concepteur de sites de covoiturages destinés à des communes, des territoires, et tous types de

communautés.

En pratique, La Roue Verte conçoit un site pour une collectivité territoriale qui souhaite faire covoiturer

ses administrés. Il existe alors un contrat qui établit les conditions pour lesquelles La Roue Verte est

chargée de réaliser le site, contre une rémunération de la part de la collectivité. Cependant, la startup,

propose à travers un site unique, central, l’ensemble des trajets de covoiturages qui ont été enregistrés

sur tous les sites conçus et payés par les collectivités.112 Les données (trajets proposés), sensées être

publiques puisque en partie générées par l’achat de la collectivité, deviennent ainsi privées et source de

profit pour la startup.

Dans notre conclusion, nous insisterons sur ce défi que doivent relever les AOT et les acteurs publics des

transports urbains pour rester maitres des données qu’ils produisent aux frais de la collectivité.

""" YTÒ]òa Q# `0,+*"1-1$+9 -#,DD-1 *"1 D08>1& -$ 0$3D-1%%,.$ >$% &0,1+%R A3QK/,&++R 8N"BR \12421'% .& V4%. Y1%.1R

0'%.42&(, .& `%1/+#

112 U'(, .65'%2,&, -&+ /,'/'+R 1* +(0012 .& +& ,&%.,& +(, *& +12& .& A4 V'(& r&,2& /'(, b *1,& D H ]$D"1% ?==<9 >,&$ >$

(08,&1/+ >$ -#$+&0$D01%$ a, _/"$ r$0&$9 +/"% ,%%"0/+% +/&0$ 0$+&,61-1&8 "+1*"$3$+& .0s($ : -, C$+&$ >$ D0$%&,&1/+% >$(/C/1&"0,.$ : >$% $+&0$D01%$% $& (/--$(&1C1&8%O R$ %1&$ a,_/"$r$0&$O(/3 D$03$& : -, A/1% >$ D0/D/%$0 "+ %$0C1($ "&1-$ : &/"% $&>$ >8C$-/DD$0 +/&0$ +/&/018&8 ,"D0m% >$% D0/A$%%1/++$-%O k

Disponible à l’adresse ; http://www.laroueverte.com/covoiturage-gratuit.do



GJ

3.2.3. Les stratégies des startups de la mobilité : se montrerresponsables pour gagner les marchés

Il s’agit dans cette partie de dresser un élément de contexte, qui nous permet de déterminer le

positionnement des startups en tant qu’acteurs des mobilités, face aux éventuelles hostilités qu’elles

rencontrent dans un environnement à « dominante publique ».

De l’informel marginal à l’informel au cœur du système

L’essor d’internet a fait passer l’informel qui était marginal au cœur du système. Nous le percevons avecle « phénomène » Uber dans le domaine des transports urbains : lorsque le vocabulaire pour définir ce

type d’activités optait pour « taxis clandestins » en 2010, cette expression a été remplacée largement par

VTC (véhicules de tourismes avec chauffeurs) ou tout simplement Uber, du fait de l’ampleur de la

transformation du secteur par cette entreprise.

Les AOT, les politiques et l’action publique en général pourraient condamner cette transformation, ce

qu’ils ont tenté en interdisant UberPop en France en 2015, cependant, un grand nombre de startups (et

certains grands groupes) tentent de jouer un certain rôle au sein de l’économie et de la société.

En 1822, Benjamin CONSTANT écrivait : « La plus sacrée et la plus inviolable de toutes les propriétésest celle de sa propre industrie, parce qu’elle est la source ordinaire de toutes les autres propriétés. Le

patrimoine du pauvre est dans la force et l’adresse de ses mains ; et l’empêcher d’employer cette force et

cette adresse de la manière qu’il juge la plus convenable, tant qu’il ne porte de dommage à personne, est

une violation manifeste de cette propriété primitive. » 113

Cet argumentaire, défendant le droit de tous de pouvoir mettre sur le marché ses propriétés et

compétences, a été l’un des plus forts pour exprimer la cause des startups qui permettent une

désintermédiation de l’économie, celle que l’on appelle économie collaborative ou économie du partage.

Un autre auteur, Frédéric BASTIAT, encore d’un ouvrage ancien, disait quant à lui : « Le but immédiat de

la protection est de favoriser le producteur. – Ce que celui-ci demande, c’est le placement avantageux de

son produit. – Le placement avantageux d’un produit dépend de sa cherté, - et la cherté provient de la

rareté. – Donc la protection aspire à opérer de la rareté. C’est sur la disette des choses qu’elle prétend

fonder le bien-être des hommes. » 114

""=

\T]`LO]L I# R/33$+&,10$ %"0 -#/"C0,.$ >$ d1-,+.1$01R 9(04,2R U4,1+R "M88R /# "88# ""B IO`LWOL P# E 9& *31%0*(&%-& .&+ 24,10+ 0,4%v41+ &2 4%;*41+ FR f"MBBhR t"C0$% (/3D-m&$% >$ d08>801( Y,%&1,& R 2'5& "R

^(1**4(51% &2 \1&R U4,1+R 8& 6.121'%R "M@8R /# =@B#



GM

C’est là encore un argument que l’on retrouve chez les défenseurs (à tendance majoritairement libérale,

voire libertarienne) du modèle de société que proposent ces startups d’innovation que l’on qualifie de

« disruptives ». Selon eux, l’Etat est un intermédiaire inutile s’il souhaite protéger les individus de la

concurrence, notamment dans le domaine des transports. Et ce discours est largement diffusé et de plus

en plus accepté face à l’obsolescence de certaines corporations qui éprouvent de grandes difficultés à seréformer (les taxis et leur conflit avec UberPop), y compris dans leur capacité à s’approprier les TIC.

Des startups prêtes à se montrer responsables

Face à une forte méfiance de la part des corporations, des autorités et parfois même de certains acteurs

économiques (entreprises concurrencées), les startups n’hésitent pas à montrer qu’elles sont des

entreprises responsables qui contribuent à l’intérêt général. Par exemple, elles profitent de la conjoncture

économique en communiquant sur leur capacité à générer des emplois. Elles s’attirent de la sorte des

alliés de tous bords lorsqu’elles sont menacées d’interdiction quand leur modèle économique est jugé

illégal par exemple.

Les startups du covoiturage quand à elles insistent sur leur action qui va dans le sens de la lutte contre le

dérèglement climatique. En effet, en s’adressant à une clientèle professionnelle et d’entreprises pour

proposer des solutions de covoiturage domicile-travail, les startups de covoiturage orientent leur

communication pour toucher la sensibilité des cadres dirigeants RSE (responsabilité sociétale des

entreprises) des structures visées. Aussi, ces mêmes startups mettent en avant le caractère convivial du

covoiturage. Car en montrant qu’il crée du lien, un esprit de communauté entre les salariés, elles

pourront proposer un argument de vente supplémentaire à destination des responsables des ressources

humaines des entreprises ciblées.

Une startup lyonnaise de covoiturage « Loue Ton Sam », quant à elle, souligne son potentiel pour

diminuer le nombre d’accidents liés à l’alcool au volant : en créant une offre de covoiturage nocturne à

destination des étudiants, elle argumente qu’elle propose davantage de sécurité pour cette population à

risque. D’autres entreprises similaires (services de minibus à la demande par exemple) ont le même

discours commercial.

Enfin, si les entreprises innovantes tendent à vouloir mettre en avant leurs externalités positives pour

l’ensemble de la société, c’est car elles ne peuvent pas se passer de la puissance publique pour l’instant.

Puisque comme nous l’avons démontré dans le premier scénario : ce sont les acteurs publics qui ont le

plus de « puissance » pour aménager les territoires et les infrastructures. Hors les startups et les PME

qui proposent une multitude de solutions de déplacements se basent souvent sur l’existant, par exemple :

les routes pour le covoiturage et l’autopartage.



GH

Nous avons tenté d’illustrer, par ce « scénario » des transports urbains dominés par les startups, le

difficile positionnement des AOT et des pouvoirs publics dans un environnement où la multitude, la liberté

et la diversité des usages est favorisée à l’instar d’une gestion centralisée des infrastructures. On

accordera à ce scénario une certaine probabilité de voir le jour, du moins en partie, lorsque l’on remarque

l’incontestable volontarisme des autorités organisatrices de transports et délégataires pour réaliser despartenariats avec des entreprises innovantes. De plus, nous distinguons une authentique prédisposition

des startups des mobilités à comprendre les usages d’individus qui souhaitent aujourd’hui être les seuls

maîtres de leurs déplacements.

3.3. Les transports urbains dominés par les géants d’internet

3.3.1. La Google Car : nouveau taxi autonome ?

Pourquoi la donnée permet la création de Google Car

Les voitures individuelles seront de plus en plus équipées en réseau internet (4G ou wifi intégrées), et

Google Maps équipe désormais les GPS des véhicules Général Motors. 115 La voiture de demain sera

« bardée de logiciels »,116 Microsoft et Google travaillent déjà dessus, en partenariat avec des startups

d’autopartage.

D’ailleurs, Android a développé une solution Android Auto, qui est un système de GPS – ordinateur de

bord intégrant les données de Google et Waze. Une phrase résume très bien la stratégie de Google :

« ( ! ) if Google owned Waze, then competitors would not have access to its technology and users. »117

Ceci décrit bien une des raisons pour lesquelles les géants du web s’emparent d’immenses jeux de

données : ce n’est pas seulement pour monétiser ces masses de données brutes en tant que telles, mais

finalement pour développer leurs propres technologies sur la base de leurs propres données.

Et cette dernière explication nous avance sur la question, en nous montrant pourquoi Google est autant,

et même assurément plus pertinent qu’un constructeur automobile pour inventer la voiture sans

chauffeur. Effectivement, représenter, modéliser les espaces, ou encore intégrer les données du code de

la route et des comportements de conduite coûterait plus cher à Renault ou Audi, et n’importe quel

constructeur « traditionnel » qu’à Google. Ce géant de la donnée dispose déjà des technologies et des

données nécessaires à la collecte et au traitement des masses de données qui serviront à automatiser la

""G

9QZTX P# a, C/1&"0$ >$ >$3,1+R 8N"NR %'()&4( 5'%.&R /# "M8

""@ 9QZTX P# a, C/1&"0$ >$ >$3,1+R 8N"NR %'()&4( 5'%.&R /# "M= ""J \TYO] U# d/"0 _$,%/+% F//.-$ Y/".2& b,e$R P',7&+R 8N"=



@N

conduite des véhicules. Il ne restera à Google qu’à s’associer avec des ingénieurs et constructeurs pour

concevoir matériellement le véhicule et ses capteurs pour commercialiser la Google Car.

La voiture autonome : plus sûre que la voiture « manuelle » grâce aux données et aux capteurs

Si aujourd’hui les véhicules sont plus sûr que dans le passé, c’est parce que l’homme a réussi à utiliser

des matériaux plus résistants, installé des airbags, mais aussi car les progrès en calcul des structures et

en modélisation ont permis de sécuriser l’habitacle.118 Dans le même ouvrage de Francis DEMOZ, nous

apprenons que ces innovations dans les calculs et la donnée ont pu contribuer à donner naissance à

l’ABS, le contrôle électronique de trajectoire (ESP), le contrôle électronique de stabilité (ESC) ou l’aide au

freinage d’urgence (AFU), ainsi que l’AAC, qui adapte la vitesse du véhicule en fonction de la vitesse et

de la distance du véhicule précédent.

Toujours selon cet auteur, les innovations que nous allons connaitre rapidement (grâce aux capteurs et à

la compréhension des données) feront de la route un lieu plus sûr (détection du gel en formation,

détection des chocs par les barrières de sécurité pour alerter les secours, etc!), et « les accidents

graves pourraient être réduits de 30 à 50% ».

En combinant les données acquises par les capteurs de volumes urbains, par les capteurs des véhicules

Google, par l’analyse des photographies de Google StreetView, et par la cartographie préalable des

routes et des volumes, le système interne des Google Car aura accès à une vision complète de son

environnement. Combiné à cela, « l’œil » des voitures autonomes sera constitué des multiples capteurs,

caméras et autres appareillages des Google Car elles-mêmes. Ce « couple » de technologies a été

prouvé plus sûr qu’un véhicule conduit par un humain. Il élimine ce que l’on appelle l’erreur humaine

(appréciation défaillante des distances de sécurité, temps de réaction trop long, mauvais réflexe, etc!),

et il montre déjà de meilleurs résultats en matière de sécurité. L’objectif « zéro mort » est une des

priorités dans ce projet d’automatisation totale des véhicules.

3.3.2. Modules autogérés ?

Automatiser les transports urbains grâce à la donnée : moins de déperditions ?

Et s’il suffisait de tout automatiser pour obtenir une offre exactement adéquate à la demande de

mobilité ? S’il suffisait d’une seule application (et site internet) pour centraliser les demandes de

déplacement, les offres et les données de mobilité, l’interface de gestion de son compte utilisateur, ainsi

que le « moniteur » de gestion des transports de toute une ville, voire de toutes les villes ?

""M 9QZTX P# a, C/1&"0$ >$ >$3,1+R 8N"NR %'()&4( 5'%.&R /# "H"



@"

Car nous arrivons peu à peu à cette conclusion : nous savons mieux que jamais – grâce à la maitrise des

données – modéliser les mobilités urbaines. Nous avons connaissance de la demande et de l’offre en

transports grâce à la combinaison des innombrables applications mobiles (Waze, Maps, Karos, Sharette,

Uber, Coyotte, Moovit, Drivy etc!). Aussi, nous avons remarqué que ce sont de moins en moins les

acteurs publics qui centralisent les données de transports mais bien des géants du web tels que Google.L’information, grâce ou à cause d’internet est désormais la clé de la maitrise de l’offre et la demande : il

suffit de se faire rencontrer un demandeur de transports et une offre (location de voiture à la journée avec

Drivy ou Ouicar, covoiturage urbain avec les applications dédiées comme Sharette et Karos, taxi

« instantané » avec Uber, Heetch ou Djump, etc!)

Nous arrivons dans une ère où le citoyen est « seul maître à bord » pour planifier ses déplacements,

comme nous l’avons expliqué dans la partie 3.2.1, et de plus, les transports urbains s’organisent

progressivement de façon quasi-automatique.

Les modules autogérés comme « mise en pratique » des applications mobiles ?

Nous avons expliqué en quoi l’information automatisait les transports urbains, mais nous pourrions aller

plus loin en imaginant quelle pourrait être la mise en pratique d’une automatisation parfaite. Dans la

partie précédente (3.3.1), nous avons abordé la Google Car comme avenir de l’automobile. Nous avons

compris comment l’information permettait en partie de sécuriser et de « faire rouler » un véhicule sans

conducteur. Il suffit donc de pousser le concept un peu plus loin pour imaginer un transport collectif

composé de véhicules autonomes (sans chauffeurs), gérés entièrement par un seul système

d’informations.

Grâce à de lourds investissements, les géants du web pourraient lancer un système de transports

urbains combinant solutions applicatives (virtuelles) et véhicules autonomes (infrastructures et matériel

roulant réels). 119 Par conséquent nous donnons dans ce scénario un rôle encore plus fort aux grands

groupes privés d’internet tels que Google, Waze et Uber, en imaginant que les collectivités territoriales et

les AOT leur aient accordé cette place (par contrat, par concession, par nécessité ou contrainte). Pour

aller encore plus loin dans le scénario, et donc comprendre combien le rôle des AOT et des entreprisesde transports traditionnelles risque d’être réduit, nous pouvons interroger la place des conducteurs de

taxis, de bus, de tramways, de métros (qui sont déjà largement automatisés). Car si notre sujet n’est pas

celui de la justification de l’existence des conducteurs dans la société (problématique d’emploi

notamment), il impute aux AOT et entreprises organisant les transports en commun de former ces

conducteurs, aujourd’hui toujours essentiels au fonctionnement des réseaux. Or si demain, les géants du

web et des TIC proposent des solutions « clé en main », sans conducteurs, en intégrant toute la maitrise

de la sécurité en sus, la mission des acteurs traditionnels se verra encore une fois partiellement réduite.

""H Pour mieux comprendre le concept de modules autonomes, nous détaillons en annexes 3,4 et 5 les détailstechniques en exposant quelques projets en cours



@8

De ce fait, l’ensemble de la société (ingénieurs, politiques, usagers, entreprises) pourra assurément se

poser la question de l’efficacité des acteurs traditionnels dans l’organisation des mobilités urbaines.

Dans la partie suivante, nous tenterons justement de comprendre pour quelle raison les géants du web

pourraient se voir confier un tel rôle. Nous articulerons alors notre réflexion autour de la pertinence de lanotion d’« intelligence » appliquée au domaine des transports.

3.3.3. « L’intelligence » des transports comme impératif

Une définition ambiguë

Si nous souhaitons remettre en question le terme d’intelligence, c’est avant tout parce que l’on pourraitcroire à une confusion très forte entre les concepts d’intelligence artificielle et d’intelligence humaine.

Lorsque l’intelligence artificielle, à l’origine découverte par Alan TURING en 1936, définit les processus

mathématiques essentiels au calcul ainsi que les programmes susceptibles d’améliorer la quantification

d’éléments numériques, l’intelligence humaine, quant à elle, peut s’interpréter uniquement par son

caractère culturel. On parlera dans ce cas d’intelligence relationnelle, linguistique, cognitive, etc! C’est

également en ce sens qu’il est malaisé d’admettre que le codage informatique peut s’entendre comme un

langage.

On prête volontiers au terme « intelligence » cette qualité hybride, entre « technologie humanisée »,

capable de comprendre les besoins humains, et « humain amélioré » grâce à l’informatique et ce qu’elle

permet, comme par exemple la réalité augmentée. Ce qui nous pose question ici est bien la définition que

l’on prête à intelligence.

Le journal des communes titrait dans son numéro de juin-juillet 2015 «Toutes les villes peuvent devenir

intelligentes », en précisant qu’une étude de la société m2ocity (Véolia – Orange), avait décerné à Lyon

le titre de « ville la plus intelligente de France ». Il existe donc, de fait, la ville « la plus stupide de

France », et on peut questionner la pertinence de l’emploi d’un tel adjectif pour qualifier une politiquepublique.

Smart Cities, Smart Transports, une vision imposée ?

Nous ne prendrons pas position pour une ville qui se passerait des possibilités qu’offrent les masses de

donnée, car nous avons constaté à quel point celles-ci peuvent être utiles pour inventer, améliorer,



@=

modéliser et comprendre les mobilités urbaines. Pourtant, nous pourrions réellement nous demander : à

qui profite le plus l’économie de la donnée ?

Il est possible, à travers les définitions communes à tous les experts, ingénieurs et entreprises

spécialistes de la data science et de l’intelligence économique, de définir un transport intelligent. Il s’agitprobablement d’un moyen de déplacement rapide, à moindre frais pour l’usager et la collectivité, adapté à

son environnement urbain, propre et confortable. Par opposition, nous pouvons définir ce qu’est un

transport « stupide » : il ressemblera certainement à un transport peu rapide, onéreux pour l’usager et la

collectivité, peu adapté à son environnement, et « sale ». Dans ce cas, ce transport « stupide » a un

nom : la voiture individuelle (lent aux heures de pointe, principal générateur du trafic routier, nécessite

des infrastructures lourdes et encombrantes, et très polluante). Il peut s’agir aussi d’un bus ayant

beaucoup trop servi, ou d’un réseau ferré mal entretenu.

Et ce type de mobilités est bien évidemment devenu obsolète aux yeux des architectes élus, designers,

ingénieurs actuels. Ces derniers combattent les transports « stupides » comme les urbanistes

d’aujourd’hui bataillent contre le « tout béton ». La donnée et plus généralement, les systèmes

d’information sont au cœur des stratégies de vente des groupes comme IBM, Google, Orange ou Thales,

car ces entreprises savent combien les chefs de projets qui fabriquent nos villes tiennent à construire des

réseaux « intelligents », des villes « smart », des transports « efficients ».

La question que nous posons dans cette dernière partie pourrait se résumer ainsi : si la donnée, si les

transports intelligents permettent plus de sécurité, pour moins cher, pourquoi baser la construction de nos

réseaux sur d’autres critères ? Car si les coûts de construction et de maintenance des réseaux sont

moins élevés grâce à une meilleure modélisation et une gestion plus efficace des infrastructures, les

conditions sont réunies pour desservir encore plus de populations qu’aujourd’hui, que le service soit

public ou privé. Si les géants du web sont capables de tenir leurs « promesses commerciales » telles

qu’ils les présentent actuellement aux acteurs publics, les transports en commun ne pourraient être que

plus efficaces et servir aussi bien les populations et les quartiers les plus « vulnérables ».



@B

Le couple intelligence et performance économique

Figure 8 Chiffre d'affaires - Effectif – Taille de la clientèle (échelle des axes logarithmique) - Réalisation

personnelle

* Chiffre d’affaire de Blablacar estimé, Les Echos, 2015

Ce nuage de points (échelle logarithmique base 10) nous permet de comprendre à quel point la donnée

et l’utilisation de l’intelligence artificielle sont pertinentes comme leviers de croissance pour tout modèle

économique. On remarque ici que la corrélation des indicateurs de performance « chiffre d’affaires par

employé » et « nombre de clients / utilisateurs par employés » s’exprime par une cohérence dans le

positionnement des entreprises dans le nuage de points.

Les entreprises qui appuient le plus leur modèle économique sur les TIC et la donnée sont situées à

l’extrémité haute des abscisses et des ordonnées, alors que celles qui basent leur activité sur lesinfrastructures se positionnent dans les valeurs les plus faibles d’utilisateurs et de chiffre d’affaires par

$IQV

oQTAW`LVO]`9Qr

pOXQ

LTZLTZ

\TaTLLQ

r`\

IAOIAO\OVw

9VWra

T$W\OV

IA$QAa

O$LTAWI

" x

"N x

"NN x

" NNN x

"N NNN x

"NN NNN x

"NNN NNN x

"NNNN NNN x

" "N "NN " NNN "N NNN "NN NNN " NNN NNN

) N 9 S S 7 2

. T - S S - 9 7 2 ;

Q ? > + G R 7

1 - 6 9 ; 1 : / 4 7

+ 2 C :

6 / U

1

#/C<72 .T48969;-8247; V=69208; .2 6T20872:79;2 :/47 + 2C:6/U1



@G

employé. Si l’on considère que la performance économique des entreprises peut se mesurer notamment

par un ratio élevé « chiffre d’affaires / nombre d’employés »120, on remarque que ce sont les mêmes

entreprises qui ont un fort ratio « taille de la clientèle / nombre d’employés ».

Ainsi, Kéolis et Transdev, valeurs très proches se situent globalement au centre du nuage de points. Prèsd’elles, on aperçoit les startups françaises Drivy, Ouicar et Blablacar, avec un nombre d’utilisateurs par

employé légèrement supérieur. Au « sommet » des ratios de performance économique, on observe les

trois applications très populaires Waze, Coyotte et Uber. Enfin, les entreprises ayant le plus faible ratio

utilisateurs et chiffre d’affaire par employés sont les deux entreprises d’autopartage Bluely à Lyon, et

Autolib à Paris.

La donnée comme extension de l’intelligence humaine ?

Si l’on définit l’intelligence comme une « capacité à traiter l'information pour atteindre ses objectifs, en

dépensant le moins de ressources possible » ; nous aurions tort de vouloir nous en priver. Et si

l’intelligence artificielle, grâce en grande partie à l’amélioration de la qualité et rapidité de traitement des

données permet d’atteindre des objectifs encore plus élevés, avec encore moins de ressources, il y a

pourtant des détracteurs à l’innovation dans le domaine. Nous ne nous intéresserons pas ici à l’ensemble

de leurs arguments, puisqu’il s’agit souvent de considérations culturelles, idéologiques, voire

personnelles, qui n’ont pas lieu d’être citées dans notre travail. Mais un auteur en particulier a retenu

notre attention, tant son regard sur le sujet est juste.

Le philosophe Michel SERRES écrivait en 2001 : « A chaque progrès majeur dans les technologies de

communication, nous nous affranchissons du besoin de mémoire. ( ! ) Aujourd’hui, avec le Net et la

puissance de stockage des ordinateurs, nous pouvons être connectés à toutes les mémoires du monde.

Nous sommes délivrés de l’écrasante obligation de nous souvenir des choses. »121

Ce qui nous intéresse ici, est l’ironie qui est utilisée par l’auteur. Nous ne saurions pas affirmer que les

nouvelles technologies et la puissance de la donnée sont inutiles, voire mauvaises, car elles nous

permettent d’innover et d’imaginer les meilleures des inventions. Pourtant, la question que nous pouvonsnous poser, comme l’évoque Michel SERRES, consiste à nous demander : si nous pouvons nous passer

de notre mémoire, qui donc sera chargé de le faire à notre place ? Et c’est ici que nous rejoignons à

nouveau le sujet de la pertinence du rôle des géants d’internet. Peut-on réellement souhaiter leur

domination du secteur des transports, ou même de tout secteur, lorsque nous connaissons leur

propension à bâtir des monopoles aussi forts qu’ils sont capables de déstabiliser les Etats ?

"8N Ô$^VW` O# a$% 1+>1(,&$"0% >$ D$0A/03,+($R 91)1+1'% +2421+21<(& .&+ ]421'%+ (%1&+R I454t'R 8NNM "8" `QVQ` Z# E ]'(+ )'1*? ,6.(12+ ? ,&.&)&%1, 1%2&**1;&%2+ FR &%2,&21&% .4%+ ]&_71iR %l"@R .6-&57,& 8NN"R / "=M#



@@

On comprend donc que la question que nous posons au début était véritablement d’ordre politique, et

même idéologique. La réponse est donc plurielle, non seulement selon les scénarios que nous avons

explorés, mais surtout parce qu’elle diffère selon qu’on soit libéral ou étatiste.

Dans notre conclusion, nous tenterons d’écarter les questions idéologiques, en nous concentrant sur laqualification des défis que doivent relever les acteurs publics des transports urbains pour avoir des

« chances » de continuer à organiser les mobilités des individus.



@J

Conclusion

Au fil de notre travail, nous avons inclus dans le terme « acteurs de la mobilité » tout un ensemble de

structures très disparates : de l’AOT à son délégataire de service public, de la startup de covoiturage au

géant Uber, et bien que n’agissant pas uniquement dans le secteur des mobilités : Google.

Nous avons pu comprendre pourquoi l’acteur public était pertinent dans l’organisation des mobilités.

Jusqu’à présent, il a pu assurer la construction, la maintenance et la sécurité des infrastructures. Les

autorités publiques des mobilités ont prouvé leur capacité à servir l’intérêt général, en permettant la

desserte des territoires et des quartiers les plus isolés, ainsi qu’en donnant l’accès aux transports aux

populations les plus en marge. La donnée pourrait-elle à ce point remettre en cause l’existence d’une

gestion publique des transports urbains ? Nous avons aussi compris que si l’acteur public se liait de

façon pertinente à des partenaires privés, il pourrait relever le défi de rester complètement légitime dans

ses missions.

Cinq principaux défis à relever

1. Centraliser la donnée face à une décentralisation de la production de celles-ci

Il n’est plus possible de centraliser la production et le traitement des données : les startups et les géants

du web le feront toujours mieux que les AOT, puisqu’elles se sont emparées des données en concevant

de plus en plus de solutions de mobilités. Cependant, c’est dans la distribution des données que réside

l’opportunité de continuer à organiser les mobilités pour les acteurs publics. En effet, nous l’avons

observé dans le 2e scénario (l’ère de la multitude) : l’interopérabilité est une mission de service public.

Il existe donc deux moyens d’agir à ce niveau. Le premier consiste en une démarche active, en

proposant directement des applications telles que BreizhGo, ou Optimod, afin de construire une interface

entre l’usager et tout le panel de solutions mobilités qui s’offrent à lui.

Le deuxième moyen d’action dont disposent les autorités de transports et les collectivités territoriales

réside en une démarche plus transversale, plus « passive ». En pratique, il s’agit de permettre

l’interopérabilité à chaque niveau de collecte et distribution des données. C’est ce que tente de faire

SNCF avec son projet « SNCF as a platform », en concevant son service entier tel que le fait Amazon,

c’est à dire comme un ensemble de briques de programmes, d’API distinctes fonctionnant en

interconnexion permanente. Les offres, les services et les produits, les clients et leurs smartphones, les

infrastructures, les équipes de travail, en somme tout ce qui compose ou concerne l’entreprise génère

des données et est « interopérable ».



@M

2. Rester maître de ses données, maitriser les risques

L’open data autorise de nouveaux usages à voir le jour, et de nouvelles techniques de représentation qui

aident grandement à la décision en matière de transports. Pourtant, nous avons perçu un risque avérédans le cas où les collectivités et les AOT ne maitrisaient pas complètement leurs données.

Le premier danger réside dans l’aptitude des individus mal intentionnés de nuire au système de données

si celui-ci est mal sécurisé. Supposé qu’une AOT par exemple, donne l’accès à trop d’informations et

permet presque le contrôle de ses infrastructures par des tiers, le risque de « piratage » est important. Le

problème se pose d’autant plus dans un futur où les infrastructures et le matériel roulant seront

entièrement automatisés. Cependant, nous ne pouvons que croire à une maîtrise parfaite de ce point de

vue : les acteurs des transports accordent une véritable importance à la sécurité (sécurité routière et

ferroviaire, menace terroriste, etc!

)

Le deuxième risque quant à lui est d’ordre économique, plus central au sein de notre problématique : il

faut à l’avenir que l’ensemble des collectivités et des AOT fassent le choix entre déléguer et monétiser la

gestion de leurs données, ou les distribuer gratuitement via des politiques d’open data. Car mêler ces

stratégies opposées peut mener à des situations telles que nous connaissons avec SNCF par exemple

(Capitaine Train et la revente des billets interdite ; Raildar et l’accès à la géolocalisation des trains qui a

été rendu impossible du jour au lendemain, etc!) En définissant des stratégies claires à ce niveau, les

entreprises et les acteurs des mobilités urbaines en général pourront envisager l’avenir de leur rôle dans

l’économie des données et des TIC en restant totalement maîtres des informations qu’ils détiennent. Pour

cela, les collectivités et les AOT doivent notamment suivre les projets qui sont opérés grâce à leurs

données. Un outil qu’elles ont à leur disposition est l’API, qui leur permet d’identifier les utilisateurs des

données (les personnes ou les organisations qui effectuent les requêtes)

3. Se méfier des estimations

Les prédictions sont légion pour le secteur de la donnée, nous l’avons vu en première partie. Nousajouterons une estimation : « l'Open data pourrait ajouter 3.000 milliards de dollars par an à l'activité

économique mondiale »122 Aussi, les acteurs publics ont tout intérêt, pour dépenser de façon responsable

et mesurée, à « ne pas vouloir en faire trop », à ne pas lancer des expérimentations pour des objectifs

d’image ou de marketing territorial, sans réel suivi par la suite. Les estimations et les espérances, les

prédictions et les tendances, ne sont pas les piliers de l’action publique. Car si les pouvoirs publics se

doivent d’agir dans une démarche prospective, leur action a plutôt vocation à s’inscrire dans la durée. Par

conséquent, ce sont aux associations, aux usagers, aux entreprises de se mobiliser pour l’innovation et

faire réagir le politique : ce qui se réalise grâce à OpenStreetMap permet de grandes avancées, avec

"88 Z- o1%+&bR V&(2&,+R 8N"B



@H

l’appui des pouvoirs publics, mais la démarche vient assurément « d’en bas », d’un mécanisme bottom-

up. Le défi 5 précisera cet impératif de savoir déléguer aux autres acteurs.

4. Veiller sur l’innovation pour profiter du meilleur des technologies

Une veille appropriée sur les innovations technologiques se révèle particulièrement efficace lorsque in

fine, elle permet à la fois de réduire les coûts d’exploitation grâce à l’intelligence des systèmes, et de

proposer des services adaptés aux goûts des usagers (nous pensons ici aux nouvelles générations, en

forte demande d’instantanéité et de produits mobiles).

De ce fait, une nouvelle question se pose : les dépenses dans l’investissements pour les systèmes

d’information voyageurs sont elles nécessaires, quand on sait que les smartphones et plus généralement

les terminaux portables (tablettes et montres connectées) deviennent peu à peu, par « instinct », l’unique

source d’information en temps réel ?

C’est ici que nous comprenons que la veille sur l’innovation, à elle seule, ne suffira pas aux acteurs des

mobilités pour exploiter tous les potentiels des TIC. Une démarche prospective transversale (dans tous

les services, à tous les niveaux de l’organisation) devra accompagner cette veille pour savoir où la

renforcer, et comment anticiper les transformations imminentes ou déjà en phase d’aboutir du secteur

des transports et de l’entreprise.

5. Savoir déléguer

Nous avons aussi pu remarquer la pertinence de la place des acteurs privés dans l’exploitation des

transports urbains. Leurs logiques économiques les poussent à maximiser l’efficacité des produits et des

services de mobilité, tant au niveau de la dépense d’énergie qu’en leur capacité à tirer avantage de

l’intelligence des systèmes. C’est en ce sens que les acteurs publics des mobilités urbaines doivent

continuer à réaliser des partenariats avec tous types de structures, grands groupes (Google, IBM, Waze),

startups (Sharette, Wayz-Up), PME ou associations (OpenStreetMap).

Si l’on sait reconnaître les technologies qui permettent un réel progrès (défi 4), et que l’on sait aussirester maître de ses données (défi 2), alors les structures publiques de gestion des transports urbains

pourront déléguer à moindre risque l’exploitation de leurs données.

Nous pourrions aussi ajouter que les acteurs privés profitent largement de ces partenariats avec les

organisations publiques : ces dernières représentent une très grande part de leur clientèle, et de plus,

elles leurs fournissent les infrastructures indispensables à leur activité. Que serait le covoiturage sans les

routes ? Mais surtout, que seraient Google et Facebook sans les réseaux télécoms ?



JN

C’est par une nouvelle illustration que nous terminerons. Il est aujourd’hui question de financer

l’installation de la Wi-Fi dans les gares et dans les trains. Sachant que Facebook et Google sont devenus

de très loin les premiers référant de trafic internet123, et ce faisant, les premiers sites internet consultés

dans le monde, il serait intéressant de savoir à quel niveau ces géants du web seraient capables de

financer les infrastructures d’accès à internet (Wi-Fi en gare, dans les trains, dans les bus et les métros).Ce sont ces mêmes groupes privés qui ont pour projet d’équiper les pays en développement de réseau

internet grâce à des technologies innovantes. Savoir déléguer reposera donc sur la compétence des

pouvoirs publics à choisir ses partenaires, dans quels cas, pour quels marchés, et surtout pour réaliser

quelles économies.

***

Ainsi, si les collectivités et les AOT parviennent à centraliser l’ensemble des données sur les

transports urbains, elles devront sécuriser les données sensibles et préserver les données

personnelles à travers le respect des droits individuels. Par la suite, les actions qu’entreprendront

les acteurs publics des transports urbains devront se référer à un véritable processus

démocratique, seul rempart contre la puissance des données que détiennent les géants du web,

en s’efforçant de suivre une démarche prospective pour bien anticiper l’automatisation des

transports urbains. Enfin, les transports urbains ne pourront être organisés par les autorités

publiques que si ces dernières seront capables de déléguer à des tiers certains services de

mobilité, en acceptant d’être reléguées à un rôle davantage « régalien ».

On peut ainsi se demander si à l’avenir, la structuration des transports urbains ne sera pas

agencée de la manière suivante : les pouvoirs publics seraient chargés de la conception des

réseaux, et tous les autres acteurs (particuliers, privés, associatifs) de tout le reste, c’est à dire de

la production à l’exploitation des infrastructures, de la conduite des bus à la gestion des lignes de

tramways.

Nous saisissons ici que notre sujet, bien qu’il portait sur l’étude de l’immatériel était éminemment

physique, politique et sociologique, et que nous n’avons pas terminé d’observer à quel point la

donnée s’inscrit dans l’espace matériel et social des villes.

"8= `12& ,606,&%2 D +12& .& /,')&%4%-& .& *4 -'%%&K1'% .3(%& /&,+'%%& +(, (% 4(2,& +12& u r'1, 4%%&K& M



J"

Bibliographie

Ouvrages

• AUBERT N. Le culte de l’urgence : la société malade du temps, Flammarion, 2003

• BASTIAT F. « De l’influence des tarifs français et anglais », (1844), Œuvres complètes de Frédéric Bastiat ,

tome 1, Guillaumin et Cie, Paris, 2e édition, 1862

• BOYER R. Théorie de la régulation, 1. Les fondamentaux , La Découverte, Paris, 2004

• COLIN N. VERDIER H, L’âge de la multitude, entreprendre et gouverner après la révolution numérique ,

Armand Colin, 2012

• COQUELIN C. Concurrence, Dictionnaire de l’économie politique, Coquelin et Guillaumin (éd), tome 1,

Guillaumin, Paris, 1852

• CONSTANT B. Commentaire sur l’ouvrage de Filangieri , Dufart, Paris, 1822

• DEMOZ F. La voiture de demain, 2010, nouveau monde

• DESROSIERES A. La politique des grands nombres. Histoire de la raison statistique , La Découverte, Paris,

2000

• DESROSIERES A. Entre réalisme métrologique et conventions d’équivalence, les ambiguïtés de la

sociologie quantitative, Genèse, 2001

• ESTEBE P. Gouverner la ville mobile, Presse Universitaire de France, Paris, 2008

• FRYDMAN R. GOLDBERG M. Marchés : la fin des modèles standard , Princeton University Press, 2013

• GARNIER J. Notes et petits traités, Garnier frères et Guillaumin et Cie, Paris, 2e édition, 1865

• HUET J.M ; TCHENG H. Et si les télécoms n’existaient pas, Pearson Education France, Paris, 2009

• KEYNES J.M. Théorie générale de l’emploi, de l’intérêt et de la monnaie, (1936) – Payot, Paris, 1982

• KLEIN O. Temporalités Urbaines et Projet , Les cahiers du développement urbain durable, N°16,

Observatoire universitaire de la ville et du développement durable, février 2015

• LAKEHAL M. Le Grand Livre de l’Economie Contemporaine, Eyrolles, Paris, 2012

• LARLET D. Les outils manquants de l’Open Data, 2011

• LEFEVRE C. Gouverner les métropoles, Politiques Locales, Paris, 2009, p. 59

• LEVEQUE F. Economie de la règlementation, La Découverte, Paris, 2004

• MARSHALL A. Principes d’économie politique, (1890) tome 1, Giard & Brière, Paris, 1906

• MENARD C. L’économie des organisations, La Découverte, Paris, 2012



J8

• MERCIER DE LA RIVIERE L’ordre naturel et essentiel des sociétés politiques, (1767), Physiocrates, 2e

partie, Guillaumin, Paris, 1846

• MERENNE E. Géographie des transports, 2008

• ROCHELANDET F. Economie des données personnelles et de la vie privée , La Découverte, Paris, 2010

• ZOLA E. L’Argent, Charpentier, Paris, 1891

Articles scientifiques

• BEYER C. ROYOUX D. La mesure des temporalités territoriales : applications et nouveaux défis - L’action

publique face au temps de vivre (p. 169 – 201), 2013

• CAVOUKIAN A ; CASTRO D. Big Data and Innovation, Setting the Record Straight : De-identification Does

Work , ITIF, Ontario, 2014

• CNRS, Prédire les besoins des consommateurs, 2014

• DARBERA R. The market effective size : a criterion for comparing transports systems efficiency between

mega-cities, European Transports Forum, 1995

• GAUGRIS A. Les indicateurs de performance, Division statistique des Nations unies, Bamako, 2008

• REEVES E. Avec le numérique, plus de temps, plus de stress ? Urgences Temporelles, L’action publique

face au temps de vivre (p. 31 – 37), 2013

• URVOAS J.J ; VERCHERE P. Rapport d’information de l’Assemblée Nationale n°1022, 2013

Sources législatives

• Code de la voirie routière, Article D-111-2, Décret n°2006-235 du 27 février 2006

• Code des transports, Article L1221-1

• Loi n°78-753 du 17 juillet 1978, Légifrance

Sources internet

Articles en ligne

• ASLETT, M. Spotlight: Big data reconsidered: it's the economics, stupid , 2013

• FABERNOVEL, Bienvenue dans le monde géo-personnalisé des Beacons, Le Monde, 2014



J=

• FLAJOLET P. PARIZOT E. Qu’est-ce qu’un algorithme ? Interstices, 2004

• (FRENCHWEB)La SNCF envoie Raildar au terminus, Rédaction de Frencheb, 2015

• GOEL V. Maps That Live And Breathe With Data, New York Times, 2013, (cité par) COHAN P. Four

Reasons Google Bought Waze, Forbes, 2013

• GOODIN D. Poorly anonymized logs reveal NYC cab drivers’ detailed whereabouts, ArtsTechnica 2014

• HAMEL Marie-Pierre ; MARGUERIT David, Analyses des big data, quels usages, quels défis ?

Commissariat général à la stratégie et à la prospective, Département Questions Sociales du Gouvernement

(Note d’analyse N°8, 11/2013)

• HARMANT O. Objets connectés, un marché à 1700 milliards de dollars en 2020 ?, Frenchweb, 2015

• HARMANT O. Pourquoi le trafic Internet va tripler d’ici 4 ans , Cisco, Frenchweb, 2015

• HARMANT O. Le transporteur public Keolis fait les yeux doux aux développeurs , Frenchweb, 2015

• HARMANT O. Moovit, le Waze des transports publics, lève 50 millions de dollars, Keolis (SNCF) et Bernard

Arnault au capital , Frenchweb, 2015

• HELLO Y. Vigirail, quand le Big data se met au service des voies ferrées françaises, Les Echos, 2014

• HODOUIN M. La startup du jour : SoyHuCe utilise la data pour améliorer les transports urbains , Frenchweb,

2014

• HOSANSKY E. Tranquilien, l’appli qui prédit le remplissage des trains, L’Express, 2014, Citation de Rand

Hindi, fondateur de Snips.

• LEGROS C. Sharette combine covoiturage et transports en commun, Le Monde, 2015

• Le Point, Et si une banque vous refusait un prêt à cause de vos amis Facebook ? 2015

• LYNDON Henry, Analytics and Big Data – Rail Public Transportation is a Leader (Railway Age Magazine,

Urban Rail Today, Austin, TEXAS)

• MARR B. How Big Data And The Internet Of Things Improve Public Transport In London, Forbes, 2015

• OLSON P. Why Google’s Waze Is Trading User Data With Local Governments, Forbes, 2014

• RAYNAL A. Wayray, la voiture a désormais son pare-brise connecté , Frenchweb, 2015

• RONFAUT L. Capitaine Train, la startup qui défie la SNCF , Le Figaro, 2014

• SERES M. « Nous voilà réduits à redevenir intelligents », entretien dans Newbiz, n°16, décembre 2001, p

138.

• TUAL M. Le Monde, Loi sur le renseignement : que contiennent les dispositions censurées par le Conseil

constitutionnel ? 2015

• VIENNET R. Optimod Lyon : la première appli de mobilité multimode, en temps réel et prédictive,

Mobilicités, 2015



JB

Sites institutionnels et associatifs

• ADEME, 21.05.2015 (en ligne), disponible à l’adresse : http://www.presse.ademe.fr/2015/05/optimodlyon-

lancement-de-lapplication.html

• International transport forum, Corporate partnership board report, 2015

• Libertic, Le citoyen a t-il une place dans l’open data ? 2012, en ligne, consultable à l’adresse :

https://libertic.wordpress.com/2012/02/17/le-citoyen-a-t-il-une-place-dans-lopen-data/

• Site Montpellier Territoire Numérique consulté le 02.08.2015.

http://montpellier.territoirenumerique.org/opendata/cartoparty/

• OCDE, International Transports Forum, Investissements en infrastructures de transports : vers plus

d’efficience, 2008



JG

Lexique et abréviations

Analytique : Pratique qui consiste, dans le domaine de l’informatique et du web, à analyser le trafic d’unsite internet et le comportement des internautes. Google Analytics est un des outils les plus représentatifs

et utilisés pour cela, en proposant un service de base gratuit, et un service payant qui vise les

professionnels.

Android : Système d’exploitation développé par Google, pour les smartphones et tablettes, et objets

connectés. Android détient environ 80% des parts de marché mondial des systèmes d’exploitations.

AOT : Autorité Organisatrice de Transports

API : Une API (Application Programming Interface, ou interface de programmation), est un ensemble de

données informatiques, telle une « brique de programme », qui permet à un logiciel de servir d’autres

logiciels. Google Maps a son API, comme OpenStreetMap aura la sienne.

Beacon : Technologie qui s’utilise comme un transmetteur utilisant peu d’énergie et présentant un coût

de fonctionnement très faible. Il permet d’échanger des données avec des smartphones à proximité

grâce à la technologie de transmission Wibree, autrement connue sous le nom de Bluetooth Low Energy

(BLE).

Big Data : Ensemble d’opérations pratiquées par les entreprises pour collecter, traiter et analyser des

masses de données déstructurées.

Carto-Partie : Evènements lors desquels un groupe d’individus cartographient un ou plusieurs éléments

d’un territoire défini, généralement via OpenStreetMap.

Crowd Sourcing : (Cf Open Source) Possibilité à tous de construire un ensemble de données de façon

collaborative grâce à un programme (OpenStreetMap par exemple). On retrouve le même terme avec le

crowdfunding (financement participatif).

Data visualisation : Nouveau champ d’analyse, nouvelle source d’innovation consistant en l’amélioration

des techniques de représentation des données. On rejoint la notion d’ergonomie, puisque la Data

Visualisation a pour but principal de rendre compréhensible la structuration d’une ou plusieurs masses de

données.

Donnée : Représentation d’une information dans un programme. On parle de données brutes lorsqu’elles

n’ont pas encore été traitées.



J@

Données personnelles (DP) : Elles permettent d’identifier la personne par tous processus, et sont

généralement protégées par la loi. Désormais le débat porte sur les « contours » des données

personnelles : faut-il considérer que toutes les traces informatiques (cookies notamment) constituent les

DP?

Freemium : Modèle économique basé sur une partie gratuite d’un site ou d’un service (free) et des

services additionnels payants accessibles grâce à un compte Premium, d’ou la contraction freemium.

Interopérabilité : Fait de transformer sous un même format ou un format compatible un ensemble de

données. Sans interopérabilité, les données ne sont pas capables de communiquer entre elles ni même

d’être lisibles lorsqu’elles sont entrées dans une même base de données.

Objet connecté : Souvent rassemblés sous le terme d’internet des objets, le monde des objets

connectés renvoie à l’extension d’internet à l’environnement physique. Les montres, les imprimantes, les

capteurs en tout genre, les technologies NFC (Near Field Communication), etc!

Open Data : Ouverture des données publiques (ou éventuellement privées), à destination du grand

public, des développeurs web et des entreprises qui pourraient les utiliser soit personnellement ou en

interne, soit pour créer de nouveaux services d’information.

Open Source : (Cf Crowd Sourcing ) Possibilité à tous de construire un ensemble de données de façon

collaborative grâce à un programme.

OSM : OpenStreetMap

Réalité augmentée : Ensemble de technologies permettant d’améliorer la connaissance de son

environnement en temps réel. Deux exemples concrets : les Google Glass, permettant d’ajouter du

contenu digital à sa vision (guidage, informations, photos), ou encore les pare-brises connectés qui

fonctionnent sur ce même principe.

Site référent : site de provenance de la connexion d’une personne sur un autre site, valeur centrale dans

le trafic internet : Facebook a dépassé le moteur de recherche Google dans la redirection vers les

contenus web.

Système d’information (SI) : Ensemble de ressources organisées entre elles pour collecter, stocker,

traiter et diffuser l’information. C’est un système socio-technique, c’est à dire qu’il est constitué à la fois

de personnes humaines et de technologies (machines, hardware et softwares).



JJ

TIC : Technologies de l’information et de la communication : du téléphone au minitel, de l’ordinateur au

smartphone, des Google Glass aux objets connectés, etc!

VSC : Voyages-SNCF.Com, le site appartenant à la SNCF vendant des billets de trains en Europe, et

désormais ouvert à la concurrence.



JM

Table des matières

V&5&,-1&5&%2+ ############################################################################################################################################################

`'5541,& #######################################################################################################################################################################

"#$%&'()$"&# ************************************************************************************************************************************* +

+* ,- ./0012 3 0/452662 715/6489/0 :/47 62; 87-0;:/78; 47<-90; 28 6247; -=8247; ****** +>

"#"# $%& %'()&**& +'(,-& .& /,'012 &2 .3456*1',421'% /'(, *&+ &%2,&/,1+&+ .& *4 5'71*126

(,741%& ################################################################################################################################################################## ""

"#"#"# ̂ '';*& Z4/+ D /,&51>,& &%2,&/,1+& .& 5'71*126 y ############################################################## ""

"#"#8# `2,426;1&+ .&+ &%2,&/,1+&+ .& 5'71*126 /'(, /,'012&, .& *3&++', .& *4 .'%%6& ###### "G

"#"#=# O56*1',421'% .&+ 2,4%+/',2+ &K1+24%2+ &2 -,6421'% .& %'()&4(K +&,)1-&+ ############## "M

"#8# 9&+ -':2+ .31%)&+21++&5&%2+ 5'21)6+ /4, (%& *';1<(& /,1)6& ############################################## 88

"#8#"# A31%)&+21++&5&%2 /,1)6 .4%+ *&+ LW\ D <(&* /,'012 y ######################################################## 88

"#8#8# A4 ,&)&%2& .&+ .'%%6&+ /&,+'%%&**&+ -'55& 4-21)126 &K-*(+1)&5&%2 /,1)6& ### 8@

?* ,2; ;87-81@92; .2 6A-=89/0 :4<69B42 3 6A/:20 .-8- =/CC2 /<69@-89/0 .2 ;2759=2 :4<69=

/4 625927 .A900/5-89/0 D ******************************************************************************************************************* E+

8#"# $% 7&+'1% .& /4,24;&, &2 .6-&%2,4*1+&, *4 /,'.(-21'% .& *4 .'%%6& ################################## =8

8#"#"# $%& /,'.(-21'% .& *4 .'%%6& C1+2',1<(&5&%2 L'/ 9'_% ############################################# =8

8#"#8# W%26,n2+ .& *4 -&%2,4*1+421'% .&+ .'%%6&+ /4, (%& 1%+212(21'% 1%.6/&%.4%2& ###### ==

8#"#=# A4 <(&+21'% .& *4 /,'/,1626 .&+ .'%%6&+ D )&,+ .& %'()&**&+ )4*&(,+ y ################### =B

8#8# $% %'()&* 15/6,4210 .& 2,4%+/4,&%-& &2 .34-->+ ? *31%0',5421'% ######################################### =@8#8#"# A3T/&% 9424 -'55& (%& 51++1'% .& +&,)1-& /(7*1- ########################################################## =@

8#8#8# A4 -'(,+& ? *3'()&,2(,& .&+ .'%%6&+ D 5'%2,&, *3&K&5/*& ############################################ =H

E* ,2 7F62 .2; -=8247; :4<69=; .2; 87-0;:/78; 47<-90; 20 87/9; ;=10-79/; ********************** G+

=#"# A4 ,6;(*421'% /(7*1<(& .& *4 5'71*126 (,741%& ############################################################################ B8

=#"#"# A4 <(&+21'% .& *4 ,6;(*421'% .&+ 2,4%+/',2+ (,741%+ D &%d&( /(7*1- ########################### B8

=#"#8# A31%2&,'/6,471*126 .&+ .'%%6&+ D )&,+ *31%26,n2 ;6%6,4* ################################################### BM



JH

=#8# A&+ 2,4%+/',2+ (,741%+ ? *3C&(,& .& *4 5(*212(.& D *&+ +24,2(/+ E .621&%%&%2 F *&+

5'71*126+ (,741%&+ ############################################################################################################################################ G8

=#8#"# A3(+4;&, .&+ 2,4%+/',2+ (,741%+R .6+',541+ E 54z2,& .& +&+ .6/*4-&5&%2+ F ###### G=

=#8#8# 9&+ /4,2&%4,142+ 4)&- *&+ +24,2(/+ .6d? ? *3{(),& ############################################################# GG

=#8#=# A&+ +2,426;1&+ .&+ +24,2(/+ .& *4 5'71*126 D +& 5'%2,&, ,&+/'%+47*&+ /'(, ;4;%&,*&+ 54,-C6+ ##################################################################################################################################################### GJ

=#=# A&+ 2,4%+/',2+ (,741%+ .'51%6+ /4, *&+ ;64%2+ .31%2&,%&2##################################################### GH

=#=#"# A4 ^'';*& \4, D %'()&4( 24K1 4(2'%'5& y############################################################################## GH

=#=#8# Z'.(*&+ 4(2';6,6+ y ####################################################################################################################### @N

=#=#=# E A31%2&**1;&%-& F .&+ 2,4%+/',2+ -'55& 15/6,4210 ########################################################### @8

)/0=64;9/0 ******************************************************************************************************************************************* HI

I17*1';,4/C1& ########################################################################################################################################################### J"

A&K1<(& &2 47,6)1421'%+ ####################################################################################################################################### JG

L47*& .&+ 5421>,&+ ################################################################################################################################################ JM

L47*& .&+ 1**(+2,421'%+ ######################################################################################################################################### MN

O%%&K&+ ###################################################################################################################################################################### M"



MN

Table des illustrations

Figure 1 Croissance des données et historique des évolutions majeures d’internet (Cisco, 2011) ............. 2

Figure 2 Schéma simplifié de la production et du traitement des données par les AOT (réalisation

personnelle) ......................................................................................................................................... 7

Figure 3 Historique des déplacements d'un habitant de Melbourne (Andrew Tufts, 2015) ........................ 14

Figure 4 WheelChair.org, cartographie de l'accessibilité ........................................................................... 20

Figure 5 Estimations de la taille du marché mondial du Big Data selon les sources – Réalisation

personnelle ........................................................................................................................................ 25

Figure 6 Fonctionnement de l'open data (Ville et Transports en Ile de France) ........................................ 36

Figure 7 Modélisation comparative des trajets réalisés avec Uber lors d'une grève des employés du

gouvernement à Washington (UBER Blog) ....................................................................................... 46

Figure 8 Chiffre d'affaires - Effectif – Taille de la clientèle (échelle des axes logarithmique) - Réalisation

personnelle ........................................................................................................................................ 64

Figure 9 (Annexe 1) L'économie de la donnée ne peut pas se résumer au Big Data, ITS, 2015 .............. 81

Figure 10 (Annexe2) Comparaison Google Maps (en haut) / OpenStreetMap (en bas), Ile BandaNaira,

Indonésie ........................................................................................................................................... 82

Figure 11 (Annexe3) Fonctionnement des véhicules et routes connectés (Berlin 2011, Challenge

Bibendum, Roulons Connectés) ........................................................................................................ 83

Figure 12 (Annexe 4) Projet Renault Next Two : connecter la voiture au maximum (Usine Digitale) ........ 83

Figure 13 (Annexe 5) Fonctionnement de la Google Car dans son environnement, The Wall Street journal

........................................................................................................................................................... 84

Figure 14 (Annexe 6) Exemple 1 de Data visualisation : densité des stations de Vélib à Paris, JC Decaux,

2013 ................................................................................................................................................... 84

Figure 15 (Annexe 7) Exemple 2 de Data visualisation : Trafic et provenance de passagers entrant par

station, Data Publica .......................................................................................................................... 85

Figure 16 (Annexe 8) Trafic référent en 2015, (Parse.ly) ........................................................................... 85



M"

Annexes

Figure 9 (Annexe 1) L'économie de la donnée ne peut pas se résumer au Big Data, ITS, 2015



M8

Figure 10 (Annexe2) Comparaison Google Maps (en haut) / OpenStreetMap (en bas), Ile BandaNaira,

Indonésie



M=

Figure 11 (Annexe3) Fonctionnement des véhicules et routes connectés (Berlin 2011, Challenge Bibendum,

Roulons Connectés)

Figure 12 (Annexe 4) Projet Renault Next Two : connecter la voiture au maximum (Usine Digitale)



MB

Figure 13 (Annexe 5) Fonctionnement de la Google Car dans son environnement, The Wall Street journal

Figure 14 (Annexe 6) Exemple 1 de Data visualisation : densité des stations de Vélib à Paris, JC Decaux, 2013



Figure 15 (Annexe 7) Exemple 2 de Data visualisation : Trafic et provenance de passagers entrant par station,

Data Publica

Documents

Les transports urbains face à la puissance des données : quels défis pour la gouvernance des mobilités ?